非先知性调度与部分预测
原文中文，约1200字，阅读约需3分钟。
📝
内容提要
本文探讨了机器学习在能效调度中的应用，提出多种策略以减少预测误差并提高调度效率。研究涵盖作业调度和医学影像诊断，强调预测成本对调度系统的影响，并设计新型在线学习算法以优化性能。实验结果表明，所提方法在处理不确定性时具有鲁棒性，能够实现性能提升。
❓
Q&A
机器学习如何应用于能效调度？
机器学习通过学习增强的算法框架，减小预测误差，从而改善能效调度中的竞争比率。
什么是“错误预测的代价”框架？
“错误预测的代价”框架用于度量使用预测信息的成本，帮助评估预测对调度系统的影响。
SkipPredict方法的主要功能是什么？
SkipPredict方法通过分类作业的预测需求，分析预测成本对调度系统的影响，优化短作业和长作业的预测。
如何提高医学影像诊断中的调度效率？
通过分析不同紧迫性病人的数据，制定优先顺序，从而提高医学影像诊断中的病人救治效率。
在线学习算法在调度中的优势是什么？
在线学习算法能够在处理不确定性时优化性能，并提供鲁棒性，适应不同的调度场景。
实验结果如何验证理论发现？
实验评估确认了理论发现，并展示了在实践中可以实现的性能改进，证明了所提方法的有效性。
🏷️
