本論文では、予測を活用したオンライン区間スケジューリングの新しいアプローチを提案します。状況が irrevocable である場合、各区間は到着時に即座に受け入れるか拒否する必要があります。主な目標は、受け入れられた区間の合計長を最大化し、受け入れた区間が重ならないようにすることです。この研究では、機械学習による予測を利用し、アルゴリズムの性能を向上させつつ、予測誤差がある場合でもロバストな保証を維持することを目指します。主な貢献は、SemiTrust-and-Switchフレームワークの設計であり、これは予測ベースのアルゴリズムと古典的な区間スケジューリングアルゴリズムを統一的に組み合わせる手法です。また、このフレームワークは決定論的およびランダム化アルゴリズムの両方に適用可能で、予測の正確性に伴うパフォーマンスの一貫性と、敵対的入力下でのロバスト性とのトレードオフを考慮しています。さらに、予測の質に応じてスムーズに性能が変化するランダム化アルゴリズムも設計しました。