学习增强在线背包问题的近最优一致性-鲁棒性权衡
Near-Optimal Consistency-Robustness Trade-Offs for Learning-Augmented Online Knapsack Problems
AI总结：
本文提出学习增强在线背包算法，结合可信预测与最坏情况算法实现近最优一致性-鲁棒性权衡，并引入分数到整数转换新方法。
摘要：
本文针对在线背包问题引入了一族学习增强算法，通过简单组合可信的学习增强算法与最坏情况算法，实现了近乎帕累托最优的一致性-鲁棒性权衡。我们的方法依赖于简洁实用的预测——即单个值或区间，用于估计离线解中任意物品的最小值。此外，我们提出了一种新颖的分数到整数转换过程，为在线算法设计提供了新的见解。
英文摘要：
This paper introduces a family of learning-augmented algorithms for online knapsack problems that achieve near Pareto-optimal consistency-robustness trade-offs through a simple combination of trusted learning-augmented and worst-case algorithms. Our approach relies on succinct, practical predictions -- single values or intervals estimating the minimum value of any item in an offline solution. Additionally, we propose a novel fractional-to-integral conversion procedure, offering new insights for online algorithm design.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
