Skip to main content
Aller à la page d’accueil de la Commission européenne (s’ouvre dans une nouvelle fenêtre)
français fr
CORDIS - Résultats de la recherche de l’UE
CORDIS

Challenges in Competitive Online Optimisation

Description du projet

Quand les algorithmes décident sans voir l’avenir

Des applications de covoiturage aux réseaux de données, de nombreux systèmes numériques doivent prendre des décisions à la volée, sans savoir ce qui vient. Bien que ce type de prise de décision en ligne soit au cœur de l’informatique moderne, il est encore difficile de concevoir des stratégies qui permettent de composer de manière fiable avec l’incertitude. Le projet CCOO, financé par le CER. entend résoudre ce problème en s’appuyant sur la théorie des algorithmes en ligne et sur le domaine en plein essor des algorithmes augmentés par l’apprentissage. Plus précisément, il va explorer comment les prédictions générées par l’apprentissage automatique peuvent guider les décisions tout en préservant des garanties solides en cas d’échec de ces prédictions. CCOO va remodeler la manière dont les algorithmes fonctionnent lorsque l’avenir reste inconnu, un cas d’espèce de plus en plus courant à l’ère numérique.

Objectif

Online decision-making, characterized by the need to make decisions without knowledge of the future, lies at the heart of numerous applications. Despite its prevalence, our grasp of effective strategies for handling the associated uncertainty remains poor. Through the lens of the established framework of online algorithms as well as the emerging field of learning-augmented algorithms, this project aims to address central challenges in decision making under uncertainty.

While there has been extensive research on online algorithms, many of the field's core challenges remain unresolved. However, several recent discoveries of new algorithmic design and analysis techniques have opened up novel avenues for overcoming previous obstacles.

Alongside these technical advancements, the rise of machine learning is now significantly enriching our toolset for dealing with uncertainty. This has motivated the recent emergence of the field of learning-augmented algorithms. Here, an algorithm's input is augmented with predictions, aiming for near-optimal performance if predictions are reasonably good, while still retaining classical worst-case guarantees even for highly erroneous predictions.

Inspired by these recent developments, this project aims to substantially elevate our understanding of decision-making under uncertainty. The main objectives are (1) to explore new directions around the concept of work functions, (2) to elevate the mirror descent technique into a generic tool for online algorithm design, (3) to develop universal techniques for designing learning-augmented algorithms, and (4) to expand the scope of learning-augmented algorithms to new domains.

The project addresses questions at the forefront of theoretical computer science, building on the PI's recent success in resolving several long-standing problems, and strives for foundational contributions to the timely issue of leveraging machine-learned predictions for improved algorithm design.

Champ scientifique (EuroSciVoc)

Ce projet n'a pas encore été classé par EuroSciVoc.
Proposez les domaines scientifiques qui vous semblent les plus pertinents et aidez-nous à améliorer notre service de classification.

Mots‑clés

Programme(s)

Thème(s)

Régime de financement

HORIZON-ERC - HORIZON ERC Grants

Voir tous les projets financés dans le cadre de ce programme de financement

Appel à propositions

(s’ouvre dans une nouvelle fenêtre) ERC-2024-STG

Voir tous les projets financés au titre de cet appel

Institution d’accueil

THE CHANCELLOR, MASTERS AND SCHOLARS OF THE UNIVERSITY OF OXFORD
Contribution nette de l'UE
€ 1 499 828,00
Adresse
WELLINGTON SQUARE UNIVERSITY OFFICES
OX1 2JD Oxford
Royaume-Uni
Région
South East (England) Berkshire, Buckinghamshire and Oxfordshire Oxfordshire
Type d’activité
Higher or Secondary Education Establishments
Liens
Coût total
€ 1 499 828,00

Bénéficiaires (1)