論文の概要: Sequential Ski Rental Problem

• arxiv url: http://arxiv.org/abs/2104.06050v1
• Date: Tue, 13 Apr 2021 09:28:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-14 13:23:18.363301
• Title: Sequential Ski Rental Problem
• Title（参考訳）: 連続スキーレンタル問題
• Authors: Anant Shah and Arun Rajkumar
• Abstract要約: 最近、スキーシーズンの長さについて複数の専門家(機械学習アルゴリズムなど)が助言する「購入または賃貸」スキーレンタルの問題が検討された。 ここでは、そのような専門家予測が利用できない敵シナリオよりも理論性能が向上した頑健なアルゴリズムが開発された。
• 参考スコア（独自算出の注目度）: 5.870516046267307
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The classical 'buy or rent' ski-rental problem was recently considered in the setting where multiple experts (such as Machine Learning algorithms) advice on the length of the ski season. Here, robust algorithms were developed with improved theoretical performance over adversarial scenarios where such expert predictions were unavailable. We consider a variant of this problem which we call the 'sequential ski-rental' problem. Here, a sequence of ski-rental problems has to be solved in an online fashion where both the buy cost and the length of the ski season are unknown to the learner. The learner has access to two sets of experts, one set who advise on the true cost of buying the ski and another set who advise on the length of the ski season. Under certain stochastic assumptions on the experts who predict the buy costs, we develop online algorithms and prove regret bounds for the same. Our experimental evaluations confirm our theoretical results.
• Abstract（参考訳）: 古典的なスキーレンタル問題は、スキーシーズンの期間について複数の専門家(機械学習アルゴリズムなど)が助言する場面で最近検討された。 ここでは、そのような専門家予測が利用できない敵シナリオよりも理論性能が向上した頑健なアルゴリズムが開発された。 我々は、この問題を「逐次スキーレンタル」問題と呼ぶ変種とみなす。 ここでは、購入コストとスキーシーズンの長さが学習者に不明なオンライン形式で、スキーレンタル問題の連続を解決しなければならない。 学習者は、スキーを買う真のコストを助言するセットと、スキーシーズンの長さを助言するセットの2つの専門家セットにアクセスできる。 購入コストを予測する専門家に対するある種の確率的な仮定の下で、オンラインアルゴリズムを開発し、後悔の限界を証明します。 実験結果から理論的結果が得られた。

関連論文リスト

• Learning-augmented Online Algorithm for Two-level Ski-rental Problem [8.381344684943212]
  本研究では,3つの支払いオプションのうちの1つを選択することで,複数の項目に対する要求の順序を満たす必要がある2段階のスキーレンタル問題について検討する。 我々は、機械学習予測を頑健なオンラインアルゴリズムに組み込むことにより、学習増強アルゴリズム(LADTSR)を開発した。
  論文  参考訳（メタデータ） (2024-02-09T16:10:54Z)
• On Optimal Consistency-Robustness Trade-Off for Learning-Augmented Multi-Option Ski Rental [0.0]
  学習強化型マルチオプションスキーレンタル問題は、古典的なスキーレンタル問題を2つの方法で一般化する。 ランダム化アルゴリズムでは、一貫性-ロバスト性トレードオフに対する最初の非自明な下界を示す。 私たちのアルゴリズムは、一貫性が 1.086 であるとき、e/2 の係数の範囲内のロバスト性に対する低い境界と一致します。
  論文  参考訳（メタデータ） (2023-12-05T07:33:51Z)
• Anytime Model Selection in Linear Bandits [61.97047189786905]
  ALEXPは,その後悔に対するM$への依存を指数関数的に改善した。 提案手法は,オンライン学習と高次元統計学の新たな関連性を確立するために,ラッソの時間的一様解析を利用する。
  論文  参考訳（メタデータ） (2023-07-24T15:44:30Z)
• Active Ranking of Experts Based on their Performances in Many Tasks [72.96112117037465]
  我々は、dタスクのパフォーマンスに基づいて、n名のエキスパートをランク付けする問題を考察する。 我々は,各専門家のペアに対して,各タスクにおいて他方よりも優れているという,単調な仮定を定めている。
  論文  参考訳（メタデータ） (2023-06-05T06:55:39Z)
• Streaming Algorithms for Learning with Experts: Deterministic Versus Robust [62.98860182111096]
  エキスパート問題を伴うオンライン学習では、アルゴリズムは、T$day(または時間)ごとに結果を予測する必要がある。 目標は最小限のコストで予測を行うことだ。 最良専門家が$M$の誤りを犯したとき、後悔する$R$を達成するような決定論的アルゴリズムに対して、$widetildeOmegaleft(fracnMRTright)$の空間下界を示す。
  論文  参考訳（メタデータ） (2023-03-03T04:39:53Z)
• Improved Learning-Augmented Algorithms for the Multi-Option Ski Rental Problem via Best-Possible Competitive Analysis [0.1529342790344802]
  マルチオプションスキーレンタル問題に対する学習向上アルゴリズムを提案する。 提案アルゴリズムは,この問題に対して最も有効なランダム化競合アルゴリズムに基づいている。
  論文  参考訳（メタデータ） (2023-02-14T05:05:03Z)
• Online Learning under Budget and ROI Constraints via Weak Adaptivity [57.097119428915796]
  制約付きオンライン学習問題に対する既存の原始双対アルゴリズムは、2つの基本的な仮定に依存している。 このような仮定は、標準の原始双対テンプレートを弱適応的後悔最小化器で与えることによって、どのように回避できるのかを示す。 上記の2つの前提が満たされていない場合に保証される、世界の最高の保証を証明します。
  論文  参考訳（メタデータ） (2023-02-02T16:30:33Z)
• Memory Bounds for the Experts Problem [53.67419690563877]
  専門家のアドバイスによるオンライン学習は、逐次予測の根本的な問題である。 目標は、予測を処理し、最小コストで予測を行うことです。 アルゴリズムは、そのセットでもっとも優れた専門家と比較してどれだけうまく機能するかによって判断される。
  論文  参考訳（メタデータ） (2022-04-21T01:22:18Z)
• Learning-Augmented Dynamic Power Management with Multiple States via New Ski Rental Bounds [38.80523710193321]
  複数の省電力状態を持つシステムにおける電力消費を最小化するオンライン問題について検討する。 アルゴリズムは、異なるエネルギー消費と覚醒コストの省電力状態を選択する必要がある。 アイドル期間の予測長に基づいて(潜在的に不正確な)決定を行う学習強化オンラインアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-10-25T17:14:20Z)
• Optimal Robustness-Consistency Trade-offs for Learning-Augmented Online Algorithms [85.97516436641533]
  機械学習予測を取り入れたオンラインアルゴリズムの性能向上の課題について検討する。 目標は、一貫性と堅牢性の両方を備えたアルゴリズムを設計することだ。 機械学習予測を用いた競合解析のための非自明な下界の最初のセットを提供する。
  論文  参考訳（メタデータ） (2020-10-22T04:51:01Z)
• Online Algorithms for Multi-shop Ski Rental with Machine Learned Advice [14.139763648079537]
  本稿では,機械学習(ML)によるオンラインアルゴリズムの強化問題について検討する。 特に,古典的スキーレンタル問題の一般化であるエンフルティショップスキーレンタル(MSSR)問題を考える。 我々は、決定に1つまたは複数のML予測を使用する場合、決定論的およびランダム化されたオンラインアルゴリズムの両方の性能を確実に向上させる。
  論文  参考訳（メタデータ） (2020-02-13T22:59:36Z)

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。