論文の概要: A new perspective on classification: optimally allocating limited
resources to uncertain tasks
- arxiv url: http://arxiv.org/abs/2202.04369v1
- Date: Wed, 9 Feb 2022 10:14:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-10 21:19:38.351268
- Title: A new perspective on classification: optimally allocating limited
resources to uncertain tasks
- Title(参考訳): 分類の新しい展望:不確かなタスクに限られた資源を最適に割り当てる
- Authors: Toon Vanderschueren, Bart Baesens, Tim Verdonck, and Wouter Verbeke
- Abstract要約: 例えば、クレジットカード詐欺検出では、銀行は詐欺捜査チームに少数の取引しか割り当てることができない。
我々は、タスクの不確実性に対処するために分類を使うことは、利用可能な能力を考慮していないため、本質的には最適ではないと論じる。
本稿では,限られた能力しか持たない課題の期待利益を直接最適化することで,ランク付けのための学習を用いた新しいソリューションを提案する。
- 参考スコア(独自算出の注目度): 4.169130102668252
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A central problem in business concerns the optimal allocation of limited
resources to a set of available tasks, where the payoff of these tasks is
inherently uncertain. In credit card fraud detection, for instance, a bank can
only assign a small subset of transactions to their fraud investigations team.
Typically, such problems are solved using a classification framework, where the
focus is on predicting task outcomes given a set of characteristics. Resources
are then allocated to the tasks that are predicted to be the most likely to
succeed. However, we argue that using classification to address task
uncertainty is inherently suboptimal as it does not take into account the
available capacity. Therefore, we first frame the problem as a type of
assignment problem. Then, we present a novel solution using learning to rank by
directly optimizing the assignment's expected profit given limited, stochastic
capacity. This is achieved by optimizing a specific instance of the net
discounted cumulative gain, a commonly used class of metrics in learning to
rank. Empirically, we demonstrate that our new method achieves higher expected
profit and expected precision compared to a classification approach for a wide
variety of application areas and data sets. This illustrates the benefit of an
integrated approach and of explicitly considering the available resources when
learning a predictive model.
- Abstract(参考訳): ビジネスにおける中心的な問題は、限られたリソースを利用可能な一連のタスクに最適に割り当てることであり、これらのタスクの支払いは本質的に不確実である。
例えば、クレジットカード詐欺検出では、銀行は不正捜査チームにほんの一部しか取引を割り当てることができない。
典型的には、このような問題は分類フレームワークを使って解決され、一連の特徴からタスクの結果を予測することに焦点が当てられる。
リソースは、最も成功する可能性が高いと予測されたタスクに割り当てられる。
しかし,タスクの不確実性に対処するために分類を使うことは,利用可能な能力を考慮していないため,本質的に最適ではない。
そこで我々はまず,この問題を代入問題の一種として捉えた。
次に, 限定的確率的能力が与えられた場合, 割当の期待利益を直接最適化することでランク付けを学習することにより, 新たな解を提案する。
これは、学習において一般的に使用されるメトリクスのクラスである、純割引累積ゲインの特定のインスタンスを最適化することで達成される。
実証的に,本手法は,様々な応用分野やデータセットの分類手法と比較して,高い期待利益と期待精度を達成できることを実証する。
これは統合アプローチの利点を示し、予測モデルを学ぶ際に利用可能なリソースを明確に考慮する。
関連論文リスト
- Autoregressive Policy Optimization for Constrained Allocation Tasks [4.316765170255551]
本稿では,各エンティティのアロケーションを逐次サンプリングする自己回帰プロセスに基づく制約付きアロケーションタスクの新しい手法を提案する。
さらに, 逐次サンプリングによる初期バイアスに対処する新しい脱バイアス機構を提案する。
論文 参考訳(メタデータ) (2024-09-27T13:27:15Z) - Leaving the Nest: Going Beyond Local Loss Functions for
Predict-Then-Optimize [57.22851616806617]
本手法は,文献から得られた4つの領域において,最先端の成果が得られることを示す。
提案手法は, 局所性仮定が破られた場合, 既存手法よりも200%近く性能が向上する。
論文 参考訳(メタデータ) (2023-05-26T11:17:45Z) - Minimalistic Predictions to Schedule Jobs with Online Precedence
Constraints [117.8317521974783]
オンライン優先制約による非サーボ的スケジューリングについて検討する。
アルゴリズムは、任意のジョブ依存に偏りがなく、前任者がすべて完了した場合に限り、ジョブについて学習する。
論文 参考訳(メタデータ) (2023-01-30T13:17:15Z) - Budgeted Classification with Rejection: An Evolutionary Method with
Multiple Objectives [0.0]
予算付きシーケンシャル分類器(BSC)プロセスは、部分的特徴取得と評価ステップのシーケンスを通じて入力を行う。
これにより、不要な特徴取得を防止するための入力の効率的な評価が可能になる。
本稿では,信頼度に基づく拒否オプション付き逐次分類器を構築するための問題固有遺伝的アルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-05-01T22:05:16Z) - Learning (Local) Surrogate Loss Functions for Predict-Then-Optimize
Problems [58.954414264760956]
決定焦点学習(Decision-Focused Learning, DFL)は、予測モデルを下流の最適化タスクに調整するためのパラダイムである。
本稿では,(a)最適化問題を解き,一般化可能なブラックボックスオラクルへのアクセスのみを必要とする忠実なタスク固有サロゲートを学習し,(b)勾配で凸し,容易に最適化できる手法を提案する。
論文 参考訳(メタデータ) (2022-03-30T05:46:54Z) - MURAL: Meta-Learning Uncertainty-Aware Rewards for Outcome-Driven
Reinforcement Learning [65.52675802289775]
本研究では,不確かさを意識した分類器が,強化学習の難しさを解消できることを示す。
正規化最大度(NML)分布の計算法を提案する。
得られたアルゴリズムは、カウントベースの探索法と、報酬関数を学習するための先行アルゴリズムの両方に多くの興味深い関係を持つことを示す。
論文 参考訳(メタデータ) (2021-07-15T08:19:57Z) - The Single-Noun Prior for Image Clustering [34.97652735163338]
近年,自己教師付きクラスタリング手法は精度の向上を図っているが,教師付き分類法のようには機能していない。
先述の"single-noun"は、セマンティッククラスタは、人間が単一名詞でラベル付けする概念に対応する傾向がある、と述べている。
本稿では,施設配置問題の特別な場合として,この最適化タスクを大規模に解くための簡単な手法を提案する。
論文 参考訳(メタデータ) (2021-04-08T17:54:37Z) - Provably Efficient Reward-Agnostic Navigation with Linear Value
Iteration [143.43658264904863]
我々は、最小二乗値スタイルのアルゴリズムで一般的に使用される、より標準的なベルマン誤差の概念の下での反復が、ほぼ最適値関数の学習において強力なPAC保証を提供することを示す。
そこで本稿では,任意の(線形な)報酬関数に対して,最適に近いポリシーを学習するためにどのように使用できるかを示す。
論文 参考訳(メタデータ) (2020-08-18T04:34:21Z) - Sequential Transfer in Reinforcement Learning with a Generative Model [48.40219742217783]
本稿では,従来の課題から知識を移譲することで,新たな課題を学習する際のサンプルの複雑さを軽減する方法について述べる。
この種の事前知識を使用することのメリットを明確に示すために,PAC境界のサンプル複雑性を導出する。
簡単なシミュレートされた領域における理論的な発見を実証的に検証する。
論文 参考訳(メタデータ) (2020-07-01T19:53:35Z) - Regularized Online Allocation Problems: Fairness and Beyond [7.433931244705934]
本稿では, 総資源消費に作用する非線形正規化器を含む変種である, 語彙化オンライン割当問題を紹介する。
この問題では、要求は時間とともに繰り返し届き、各要求に対して、意思決定者は報酬を生成しリソースを消費するアクションを取る必要があります。
目的は、資源制約を受ける加算可分な報酬と非分離可正則化器の値とを同時に最大化することである。
論文 参考訳(メタデータ) (2020-07-01T14:24:58Z)
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。