본 논문은 데이터 기반 알고리즘 설계를 통해 특정 응용 분야에 알고리즘을 자동으로 적응시켜 성능을 향상시키는 방법을 다룬다. 특히 매개변수화된 알고리즘의 경우, 목표 응용 분야의 문제 분포에서 추출한 문제 인스턴스를 사용하여 알고리즘의 하이퍼파라미터를 조정하는 접근 방식을 제시한다. 이는 문제 인스턴스를 사용하여 알고리즘의 성능을 하이퍼파라미터의 함수로 측정하는 경험적 유틸리티를 극대화함으로써 달성할 수 있다. 기존 경험적 증거는 데이터 기반 알고리즘 설계의 효과를 뒷받침하지만, 여러 매개변수화된 알고리즘 계열에 대한 이론적 보장을 제공하는 것은 복잡한 유틸리티 함수의 거동 때문에 어려움이 있었다. 본 논문에서는 분포 학습 설정과 온라인 학습 설정 모두에서 매개변수화된 데이터 기반 알고리즘 설계 문제에 대한 학습 보장을 제공하기 위한 개선된 프레임워크를 제시한다. 분포 학습 설정의 경우, 기존 GJ 프레임워크를 확장한 Pfaffian GJ 프레임워크를 도입하여 계산에 Pfaffian 함수가 포함된 함수 클래스에 대한 학습 보장을 제공한다. 이는 유리 함수로 특징지어지는 함수 클래스에만 제한되는 GJ 프레임워크와 달리 훨씬 더 일반적이고 광범위하게 적용 가능한 Pfaffian 함수를 포함하는 함수 클래스를 처리할 수 있다. 그리고 많은 관심 있는 매개변수화된 알고리즘의 유틸리티 함수가 개선된 조각 구조를 가지고 있으며, 이는 제안된 프레임워크를 사용하여 자동으로 학습 보장으로 이어진다는 것을 보여준다.
