論文の概要: An introduction to optimization under uncertainty -- A short survey
- arxiv url: http://arxiv.org/abs/2212.00862v1
- Date: Thu, 1 Dec 2022 20:48:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-05 17:44:33.747178
- Title: An introduction to optimization under uncertainty -- A short survey
- Title（参考訳）: 不確実性下での最適化入門 -- 短期調査-
- Authors: Keivan Shariatmadar, Kaizheng Wang, Calvin R. Hubbard, Hans Hallez,
David Moens
- Abstract要約: 本稿では,不確実性の下での最適化技術の現状について簡単な調査を行う。
論文は、不確実性のない最適化の主要なクラスの概要から始まる。
本稿の残りは、動脈とてんかんの両不確実性を扱うための異なる方法に焦点を当てている。
- 参考スコア（独自算出の注目度）: 2.3449131636069898
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Optimization equips engineers and scientists in a variety of fields with the
ability to transcribe their problems into a generic formulation and receive
optimal solutions with relative ease. Industries ranging from aerospace to
robotics continue to benefit from advancements in optimization theory and the
associated algorithmic developments. Nowadays, optimization is used in real
time on autonomous systems acting in safety critical situations, such as
self-driving vehicles. It has become increasingly more important to produce
robust solutions by incorporating uncertainty into optimization programs. This
paper provides a short survey about the state of the art in optimization under
uncertainty. The paper begins with a brief overview of the main classes of
optimization without uncertainty. The rest of the paper focuses on the
different methods for handling both aleatoric and epistemic uncertainty. Many
of the applications discussed in this paper are within the domain of control.
The goal of this survey paper is to briefly touch upon the state of the art in
a variety of different methods and refer the reader to other literature for
more in-depth treatments of the topics discussed here.
- Abstract（参考訳）: 最適化は、様々な分野のエンジニアや科学者に、問題を一般的な定式化に書き起こし、比較的容易な最適解を受け取る能力を与える。
航空宇宙からロボティクスまで、産業は最適化理論と関連するアルゴリズム開発の進歩の恩恵を受け続けている。
今日では、自動運転車のような安全上重要な状況で動作する自律システムにおいて、最適化がリアルタイムに使用されている。
不確実性を最適化プログラムに組み込むことでロバストなソリューションを作ることがますます重要になっている。
本稿では,不確実性の下での最適化技術の現状について簡単な調査を行う。
論文は、不確実性のない最適化の主要なクラスの概要から始まる。
本稿の残りは、動脈とてんかんの両不確実性を扱うための異なる方法に焦点を当てている。
この論文で議論されているアプリケーションの多くは、制御の領域内にある。
本研究の目的は,様々な方法で芸術の現状を簡潔に把握し,本研究のトピックをより深く扱うために読者を他の文献に紹介することである。
関連論文リスト
- A Survey of Automatic Prompt Engineering: An Optimization Perspective [18.933465526053453]
本稿では,統合最適化理論レンズによる自動プロンプト工学の総合的な研究について紹介する。
我々は離散的かつ連続的でハイブリッドなプロンプト空間上の問題としてプロンプト最適化を定式化する。
制約のある最適化とエージェント指向のプロンプト設計において、未探索のフロンティアを強調した。
論文 参考訳（メタデータ） (2025-02-17T08:48:07Z) - Autoformulation of Mathematical Optimization Models Using LLMs [50.030647274271516]
商用問題解決者のための自然言語記述から最適化モデルを作成するための自動アプローチを開発する。
本稿では,(1)問題依存仮説空間の定義,(2)不確実性の下でこの空間を効率的に探索すること,(3)定式化の正しさを評価すること,の3つの課題を同定する。
論文 参考訳（メタデータ） (2024-11-03T20:41:38Z) - 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) - Human-Algorithm Collaborative Bayesian Optimization for Engineering Systems [0.0]
我々は、協調ベイズ最適化のためのアプローチを概説することで、データ駆動意思決定ループに人間を再導入する。
我々の手法は、人間は連続的な選択よりも離散的な選択をより効率的に行うことができるという仮説を生かしている。
本稿では, バイオプロセス最適化やリアクトル幾何設計を含む, 応用および数値ケーススタディにまたがるアプローチを実証する。
論文 参考訳（メタデータ） (2024-04-16T23:17:04Z) - 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) - Physics-Aware Multifidelity Bayesian Optimization: a Generalized Formulation [0.0]
MFBO(Multifidelity Bayesian Method)は、クエリのサブセレクションのみに対して、コストの高い高忠実度応答を組み込むことができる。
State-of-the-artメソッドは純粋にデータ駆動型検索に依存しており、物理的なコンテキストに関する明示的な情報は含まない。
本稿では、これらのデータ駆動探索を高速化するために、工学的問題の物理領域に関する事前知識を活用することができることを認めた。
論文 参考訳（メタデータ） (2023-12-10T09:11:53Z) - Socio-cognitive Optimization of Time-delay Control Problems using
Evolutionary Metaheuristics [89.24951036534168]
メタヒューリスティックス(Metaheuristics)は、古典的なアプローチでは解決できない難解な問題を解くために使用される普遍的な最適化アルゴリズムである。
本稿では,キャストに基づく新しい社会認知メタヒューリスティックの構築を目標とし,このアルゴリズムのいくつかのバージョンを時間遅延システムモデルの最適化に適用する。
論文 参考訳（メタデータ） (2022-10-23T22:21:10Z) - A Framework for Inherently Interpretable Optimization Models [0.0]
何十年も前に難解だった大規模な問題の解決は、今や日常的な課題である。
1つの大きな障壁は、最適化ソフトウェアがブラックボックスとして認識できることである。
本稿では、本質的に理解しやすい説明規則を持つ解を導出する最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2022-08-26T10:32:00Z) - Learning to Optimize: A Primer and A Benchmark [94.29436694770953]
最適化への学習(L2O)は、機械学習を活用して最適化方法を開発する新しいアプローチです。
この記事では、継続的最適化のためのL2Oの総合的な調査とベンチマークを行う。
論文 参考訳（メタデータ） (2021-03-23T20:46:20Z) - Bilevel Optimization for Differentially Private Optimization in Energy
Systems [53.806512366696275]
本稿では,入力に敏感な制約付き最適化問題に対して,差分プライバシーを適用する方法について検討する。
本稿は, 自然仮定の下では, 大規模非線形最適化問題に対して, 双レベルモデルを効率的に解けることを示す。
論文 参考訳（メタデータ） (2020-01-26T20:15:28Z) - Introduction to Online Convex Optimization [31.771131314017385]
この写本は最適化をプロセスとして描いている。
多くの実践的な応用において、環境は非常に複雑であり、包括的な理論モデルを構築することは不可能である。
論文 参考訳（メタデータ） (2019-09-07T19:06:23Z)
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。
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。