Non-clairvoyant Scheduling with Partial Predictions

非预知调度问题在学习增强算法中引起了新的关注，其中决策者配备了没有任何质量保证的预测。在实际情况下，由于成本或数据限制，对预测的访问可能仅限于特定实例。我们的研究重点是仅有B个作业大小的预测可用于算法的情况下。我们首先在完美预测的情况下建立了近乎最优的下界和算法。随后，我们提出了一种学习增强算法，满足鲁棒性、一致性和平滑性标准，并揭示了在受限预测数量的情况下固有的一致性和平滑性之间的新型权衡。

论文探讨了在仅有部分预测信息的情况下，如何解决非预知调度问题。该问题是一个新的问题吗？

在完美预测的情况下，论文提出了近乎最优的下限和算法。然后，提出了一种满足鲁棒性、一致性和平滑性标准的学习增强算法，并揭示了在预测数量受限的情况下一致性和平滑性之间的新的权衡。

论文的实验设计考虑了仅有部分预测信息的情况，并使用了多个数据集进行验证。论文的算法满足了鲁棒性、一致性和平滑性标准。论文提出了一种新的权衡，值得进一步研究。

在近期的研究中，还有一些相关的研究，如《Reinforcement Learning for Non-Clairvoyant Scheduling with Unknown Job Sizes》等。