Fugu-MT 論文翻訳(概要): State-of-the-art predictive and prescriptive analytics for IEEE CIS 3rd Technical Challenge

論文の概要: State-of-the-art predictive and prescriptive analytics for IEEE CIS 3rd Technical Challenge

arxiv url: http://arxiv.org/abs/2112.03595v1
Date: Tue, 7 Dec 2021 09:42:57 GMT
ステータス: 処理完了
システム内更新日: 2021-12-08 14:59:16.927449
Title: State-of-the-art predictive and prescriptive analytics for IEEE CIS 3rd Technical Challenge
Title（参考訳）: IEEE CISの最先端予測と規範分析第3回技術課題
Authors: Mahdi Abolghasemi, Rasul Esmaeilbeigi
Abstract要約: 本稿では,IEEE CIS 3rd Technical Challengeで導入された予測最適化問題にアプローチするための提案手法について述べる。予測モデルはLightGBMモデルのアンサンブルを使用し、規範解析は数学的最適化を用いて、複数のシナリオに対する平均コストを最小化するソリューションを効率的に処方する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we describe our proposed methodology to approach the predict+optimise challenge introduced in the IEEE CIS 3rd Technical Challenge. The predictive model employs an ensemble of LightGBM models and the prescriptive analysis employs mathematical optimisation to efficiently prescribe solutions that minimise the average cost over multiple scenarios. Our solutions ranked 1st in the optimisation and 2nd in the prediction challenge of the competition.
Abstract（参考訳）: 本稿では,IEEE CIS 3rd Technical Challengeで導入された予測最適化問題にアプローチするための提案手法について述べる。予測モデルはLightGBMモデルのアンサンブルを使用し、規範解析は数学的最適化を用いて、複数のシナリオの平均コストを最小化するソリューションを効率的に処方する。私たちのソリューションは最適化で1位、コンペティションの予測チャレンジで2位にランクインしました。

関連論文リスト

Diffusion Models as Network Optimizers: Explorations and Analysis [71.69869025878856]
生成拡散モデル(GDM)は,ネットワーク最適化の新しいアプローチとして期待されている。本研究ではまず,生成モデルの本質的な特徴について考察する。本稿では,識別的ネットワーク最適化よりも生成モデルの利点を簡潔かつ直感的に示す。
論文参考訳（メタデータ） (2024-11-01T09:05:47Z)
Learning Joint Models of Prediction and Optimization [56.04498536842065]
Predict-Then-Thenフレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。本稿では,共同予測モデルを用いて観測可能特徴から最適解を直接学習する手法を提案する。
論文参考訳（メタデータ） (2024-09-07T19:52:14Z)
End-to-End Learning for Fair Multiobjective Optimization Under Uncertainty [55.04219793298687]
機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
論文参考訳（メタデータ） (2024-02-12T16:33:35Z)
Predict-Then-Optimize by Proxy: Learning Joint Models of Prediction and Optimization [59.386153202037086]
Predict-Then-フレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。このアプローチは非効率であり、最適化ステップを通じてバックプロパゲーションのための手作りの、問題固有のルールを必要とする。本稿では,予測モデルを用いて観測可能な特徴から最適解を直接学習する手法を提案する。
論文参考訳（メタデータ） (2023-11-22T01:32:06Z)
A Survey of Contextual Optimization Methods for Decision Making under Uncertainty [47.73071218563257]
この記事では、データからポリシーを学ぶための3つの主要なフレームワークを特定し、その強みと限界について論じる。統一的な表記と用語の下で既存のモデルとメソッドを示し、これらを3つの主要なフレームワークに従って分類する。
論文参考訳（メタデータ） (2023-06-17T15:21:02Z)
Careful! Training Relevance is Real [0.7742297876120561]
我々は、トレーニングの妥当性を強制するために設計された制約を提案する。提案した制約を加えることで,ソリューションの品質が大幅に向上することを示す。
論文参考訳（メタデータ） (2022-01-12T11:54:31Z)
A Surrogate Objective Framework for Prediction+Optimization with Soft Constraints [29.962390392493507]
SPO+や直接最適化のような決定に焦点をあてた予測手法が、このギャップを埋めるために提案されている。本稿では,実世界の線形および半定値負の二次計画問題に対して,解析的に微分可能な主観的フレームワークを提案する。
論文参考訳（メタデータ） (2021-11-22T17:09:57Z)
The Perils of Learning Before Optimizing [16.97597806975415]
本稿では,最適化タスクを通じて予測モデルを識別することで,エンドツーエンドで予測モデルを学習する方法を示す。 2段階のアプローチとエンドツーエンドのアプローチのパフォーマンスギャップは、最適化における相関の概念の強調と密接に関係していることが示される。
論文参考訳（メタデータ） (2021-06-18T20:43:47Z)
Learning MDPs from Features: Predict-Then-Optimize for Sequential Decision Problems by Reinforcement Learning [52.74071439183113]
我々は、強化学習を通して解決された逐次決定問題(MDP)の文脈における予測列最適化フレームワークについて検討した。 2つの重要な計算課題は、意思決定中心の学習をMDPに適用することである。
論文参考訳（メタデータ） (2021-06-06T23:53:31Z)
An Online Prediction Approach Based on Incremental Support Vector Machine for Dynamic Multiobjective Optimization [19.336520152294213]
インクリメンタルサポートベクトルマシン(ISVM)に基づく新しい予測アルゴリズムを提案する。動的多目的最適化問題(DMOP)の解決をオンライン学習プロセスとして扱う。提案アルゴリズムは動的多目的最適化問題に効果的に取り組むことができる。
論文参考訳（メタデータ） (2021-02-24T08:51:23Z)

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。