論文の概要: Fuzzy C-means-based scenario bundling for stochastic service network design

• arxiv url: http://arxiv.org/abs/2011.09890v1
• Date: Mon, 16 Nov 2020 02:41:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-25 00:23:42.211771
• Title: Fuzzy C-means-based scenario bundling for stochastic service network design
• Title（参考訳）: 確率的サービスネットワーク設計のためのファジィC平均シナリオバンドル
• Authors: Xiaoping Jiang, Ruibin Bai, Dario Landa-Silva, Uwe Aickelin
• Abstract要約: 一連のシナリオで表現される不確実な需要を持つサービスネットワークの設計をモデル化することができる。 この問題に対処するために,ファジィなc-meansベースのシナリオバンドル手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Stochastic service network designs with uncertain demand represented by a set of scenarios can be modelled as a large-scale two-stage stochastic mixed-integer program (SMIP). The progressive hedging algorithm (PHA) is a decomposition method for solving the resulting SMIP. The computational performance of the PHA can be greatly enhanced by decomposing according to scenario bundles instead of individual scenarios. At the heart of bundle-based decomposition is the method for grouping the scenarios into bundles. In this paper, we present a fuzzy c-means-based scenario bundling method to address this problem. Rather than full membership of a bundle, which is typically the case in existing scenario bundling strategies such as k-means, a scenario has partial membership in each of the bundles and can be assigned to more than one bundle in our method.
• Abstract（参考訳）: 一連のシナリオに代表される不確実な需要を持つ確率的サービスネットワークの設計は、大規模な2段階確率的混合整数プログラム(SMIP)としてモデル化することができる。 プログレッシブ・ヘッジアルゴリズム(PHA)は、結果のSMIPを解決するための分解法である。 PHAの計算性能は個々のシナリオではなくシナリオバンドルに従って分解することで大幅に向上することができる。 バンドルベースの分解の核心は、シナリオをバンドルにグループ化する方法である。 本稿では,この問題に対処するために,ファジィ c-means-based scenario bundling 法を提案する。 k-平均のような既存のシナリオバンドル戦略では、バンドルの完全なメンバシップではなく、シナリオは各バンドルに部分的なメンバシップを持ち、我々の方法では複数のバンドルに割り当てられる。

関連論文リスト

• cDP-MIL: Robust Multiple Instance Learning via Cascaded Dirichlet Process [23.266122629592807]
  マルチプル・インスタンス・ラーニング (MIL) は全スライス・ヒストパラメトリック・イメージ (WSI) 解析に広く応用されている。 MILの既存の集約戦略は、主にインスタンス間の一階距離に依存するが、各インスタンスの真の特徴分布を正確に近似することができない。 本稿では、複数のインスタンス学習のための新しいベイズ非パラメトリックフレームワークを提案し、WSIのインスタンス・ツー・バッグ特性を組み込むためにディリクレ・プロセスのカスケード(cDP)を採用する。
  論文  参考訳（メタデータ） (2024-07-16T07:28:39Z)
• Distributional GFlowNets with Quantile Flows [73.73721901056662]
  Generative Flow Networks(GFlowNets)は、エージェントが一連の意思決定ステップを通じて複雑な構造を生成するためのポリシーを学ぶ確率的サンプルの新たなファミリーである。 本研究では,GFlowNetの分散パラダイムを採用し,各フロー関数を分散化し,学習中により情報的な学習信号を提供する。 GFlowNet学習アルゴリズムは,リスク不確実性のあるシナリオを扱う上で不可欠な,リスクに敏感なポリシーを学習することができる。
  論文  参考訳（メタデータ） (2023-02-11T22:06:17Z)
• A One-shot Framework for Distributed Clustered Learning in Heterogeneous Environments [54.172993875654015]
  異種環境における分散学習のためのコミュニケーション効率化手法のファミリーを提案する。 ユーザによるローカル計算に基づくワンショットアプローチと、サーバにおけるクラスタリングベースのアグリゲーションステップは、強力な学習保証を提供する。 厳密な凸問題に対しては,ユーザ毎のデータ点数がしきい値を超える限り,提案手法はサンプルサイズの観点から順序最適平均二乗誤差率を達成する。
  論文  参考訳（メタデータ） (2022-09-22T09:04:10Z)
• Risk Consistent Multi-Class Learning from Label Proportions [64.0125322353281]
  本研究は,バッグにトレーニングインスタンスを提供するMCLLP設定によるマルチクラス学習に対処する。 既存のほとんどのMCLLPメソッドは、インスタンスの予測や擬似ラベルの割り当てにバッグワイズな制約を課している。 経験的リスク最小化フレームワークを用いたリスク一貫性手法を提案する。
  論文  参考訳（メタデータ） (2022-03-24T03:49:04Z)
• Data-driven Abstractions with Probabilistic Guarantees for Linear PETC Systems [0.0]
  我々は,未知のPETCシステムによって生成されるサンプル間平均時間に基づいて,ほぼ正(PAC)境界を計算するシナリオアプローチを採用した。 我々は,具体的な,未知の状態空間とサンプル間時間の間のPACマップを構築するために,シナリオアプローチをマルチクラスSVMアルゴリズムに拡張する。
  論文  参考訳（メタデータ） (2022-03-10T18:18:46Z)
• Wide stochastic networks: Gaussian limit and PAC-Bayesian training [21.979820411421827]
  極端に大きなネットワークは、訓練前後のガウス過程によって近似されることを示す。 出力分布の明示的な評価は、境界を直接最適化するPAC-ベイズ訓練手順を可能にする。 大規模だが有限幅のネットワークでは、このトレーニング手法が標準的なPAC-ベイジアン法より優れていることを実証的に示す。
  論文  参考訳（メタデータ） (2021-06-17T20:25:38Z)
• Parallel Stochastic Mirror Descent for MDPs [72.75921150912556]
  無限水平マルコフ決定過程(MDP)における最適政策学習の問題を考える。 リプシッツ連続関数を用いた凸プログラミング問題に対してミラー・ディクセントの変種が提案されている。 このアルゴリズムを一般の場合において解析し,提案手法の動作中に誤差を蓄積しない収束率の推定値を得る。
  論文  参考訳（メタデータ） (2021-02-27T19:28:39Z)
• On Robust Probabilistic Principal Component Analysis using Multivariate $t$-Distributions [0.30458514384586394]
  本稿では,高レベルの多変量$t$-PPCAフレームワークと,実装に使用される階層モデルとの等価な関係について述べる。 また,モンテカルロ予測最大化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-10-21T06:49:20Z)
• Selective Classification via One-Sided Prediction [54.05407231648068]
  片側予測(OSP)に基づく緩和は、実際に関係する高目標精度体制において、ほぼ最適カバレッジが得られるSCスキームをもたらす。 理論的には,SCとOSPのバウンダリ一般化を導出し,その手法が小さな誤差レベルでのカバレッジにおいて,技術手法の状態を強く上回ることを示す。
  論文  参考訳（メタデータ） (2020-10-15T16:14:27Z)
• Implicit Distributional Reinforcement Learning [61.166030238490634]
  2つのディープジェネレータネットワーク(DGN)上に構築された暗黙の分布型アクター批判(IDAC) 半単純アクター (SIA) は、フレキシブルなポリシー分布を利用する。 我々は,代表的OpenAI Gym環境において,IDACが最先端のアルゴリズムより優れていることを観察する。
  論文  参考訳（メタデータ） (2020-07-13T02:52:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。