Fugu-MT 論文翻訳(概要): The intersection of machine learning with forecasting and optimisation: theory and applications

論文の概要: The intersection of machine learning with forecasting and optimisation: theory and applications

arxiv url: http://arxiv.org/abs/2211.13583v1
Date: Thu, 24 Nov 2022 13:12:17 GMT
ステータス: 処理完了
システム内更新日: 2022-11-28 18:50:56.447222
Title: The intersection of machine learning with forecasting and optimisation: theory and applications
Title（参考訳）: 予測と最適化による機械学習の交わり-理論と応用
Authors: Mahdi Abolghasemi
Abstract要約: 我々はこれらの2つの分野の統合を提唱し、不確実性に対処するために予測と最適化の両方を必要とするいくつかの問題を探求する。本研究では,機械学習と予測・最適化の交点にある方法論について検討し,実世界の問題に対処する。
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: Forecasting and optimisation are two major fields of operations research that are widely used in practice. These methods have contributed to each other growth in several ways. However, the nature of the relationship between these two fields and integrating them have not been explored or understood enough. We advocate the integration of these two fields and explore several problems that require both forecasting and optimisation to deal with the uncertainties. We further investigate some of the methodologies that lie at the intersection of machine learning with prediction and optimisation to address real-world problems. Finally, we provide several research directions for those interested to work in this domain.
Abstract（参考訳）: 予測と最適化は、実際に広く使われている運用研究の2つの主要な分野である。これらの手法は様々な方法で相互成長に寄与した。しかし、これら2つの分野の関係性や統合性は十分に解明されていない。我々はこれらの2つの分野の統合を提唱し、不確実性に対処するために予測と最適化の両方を必要とするいくつかの問題を探求する。さらに,機械学習と予測・最適化の交点にある方法論について検討し,実世界の問題に対処する。最後に、この領域で働くことに興味のある人にいくつかの研究指針を提供する。

関連論文リスト

Argumentation and Machine Learning [4.064849471241967]
本章では,計算論と機械学習のクロス・フェーティフィケーションのある程度のアプローチを提示する研究の概要を紹介する。これら2つの領域間の相互作用の目的を表す2つの広いテーマが同定された。我々は,学習の種類や議論フレームワークの形式など,様々な次元にわたる作品のスペクトルを評価する。
論文参考訳（メタデータ） (2024-10-31T08:19:58Z)
Near-Optimal Solutions of Constrained Learning Problems [85.48853063302764]
機械学習システムでは、振る舞いを縮小する必要性がますます顕在化している。これは、双対ロバスト性変数を満たすモデルの開発に向けた最近の進歩によって証明されている。この結果から, 豊富なパラメトリゼーションは非次元的, 有限な学習問題を効果的に緩和することが示された。
論文参考訳（メタデータ） (2024-03-18T14:55:45Z)
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)
Hierarchical Optimization-Derived Learning [58.69200830655009]
我々は,最適化モデル構築の本質的な動作とそれに対応する学習過程を同時に研究するために,階層型ODL(Hyerarchical ODL)という新しいフレームワークを構築した。これは、最適化と学習という2つの結合されたODLコンポーネントに対する最初の理論的保証である。
論文参考訳（メタデータ） (2023-02-11T03:35:13Z)
On the Convergence of Distributed Stochastic Bilevel Optimization Algorithms over a Network [55.56019538079826]
バイレベル最適化は、幅広い機械学習モデルに適用されている。既存のアルゴリズムの多くは、分散データを扱うことができないように、シングルマシンの設定を制限している。そこで我々は,勾配追跡通信機構と2つの異なる勾配に基づく分散二段階最適化アルゴリズムを開発した。
論文参考訳（メタデータ） (2022-06-30T05:29:52Z)
End-to-End Constrained Optimization Learning: A Survey [69.22203885491534]
機械学習アーキテクチャとソルバと最適化手法を統合する作業の調査に焦点を当てている。これらのアプローチは、問題に対する迅速、近似、構造的、解決策を予測し、論理的推論を可能にする新しいハイブリッド機械学習と最適化手法を開発することを約束します。
論文参考訳（メタデータ） (2021-03-30T14:19:30Z)
Inverse Reinforcement Learning with Explicit Policy Estimates [19.159290496678004]
逆強化学習問題を解くための様々な手法が、機械学習と経済学において独立に開発された。我々は、それらがすべて共通の形態の勾配、関連する政策と目的によって特徴づけられる最適化問題のクラスに属していることを示しています。この最適化問題の研究から得られた知見を用いて,様々な問題シナリオを特定し,それらの問題に対する各手法の適合性について検討する。
論文参考訳（メタデータ） (2021-03-04T07:00:58Z)
Analysis of key flavors of event-driven predictive maintenance using logs of phenomena described by Weibull distributions [3.5966476600109054]
本研究では,インダストリー4.0におけるイベント駆動予測メンテナンスの2つのアプローチを検討する。異なるデータ前処理技術、異なる予測アルゴリズム、およびアンサンブルおよびサンプリング方法の影響を検討する。
論文参考訳（メタデータ） (2021-01-18T12:15:35Z)
An Empirical Study of Assumptions in Bayesian Optimisation [61.19427472792523]
本研究では,ベイズ最適化に固有の従来的および非慣習的仮定を厳密に分析する。超パラメータチューニングタスクの大多数は、不均一性と非定常性を示すと結論付けている。これらの発見が実践者およびこの分野のさらなる研究の指針となることを願っている。
論文参考訳（メタデータ） (2020-12-07T16:21:12Z)
A Joint introduction to Gaussian Processes and Relevance Vector Machines with Connections to Kalman filtering and other Kernel Smoothers [5.035807711584951]
本稿では,確率ベイズ的スキームの領域にまたがる2つの手法と回帰のためのカーネル手法を紹介する。これらのモデルの背後にある数学的概念の理解を提供し、他の手法との関係を強調する。これは、この2つの手法に焦点を当てた、これまでで最も詳細な研究であり、データサイエンス、信号処理、機械学習、人工知能全般の領域における理論的な理解と実践者に関連する。
論文参考訳（メタデータ） (2020-09-19T12:22:41Z)

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。