Fugu-MT 論文翻訳(概要): Learning From Scenarios for Stochastic Repairable Scheduling

論文の概要: Learning From Scenarios for Stochastic Repairable Scheduling

arxiv url: http://arxiv.org/abs/2312.03492v1
Date: Wed, 6 Dec 2023 13:32:17 GMT
ステータス: 処理完了
システム内更新日: 2023-12-07 14:44:23.235566
Title: Learning From Scenarios for Stochastic Repairable Scheduling
Title（参考訳）: 確率的修復可能スケジューリングのシナリオから学ぶ
Authors: Kim van den Houten, David M.J. Tax, Esteban Freydell, Mathijs de Weerdt
Abstract要約: 本研究では,スムーシングに基づく意思決定型学習手法がスケジューリング問題にどのように適応できるかを示す。本研究では,意思決定に焦点をあてた学習が,このような状況において,どのような状況において技術状況を上回るかを検証するための実験的な評価を含む:シナリオベース最適化。
参考スコア（独自算出の注目度）: 4.364088891019633
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: When optimizing problems with uncertain parameter values in a linear objective, decision-focused learning enables end-to-end learning of these values. We are interested in a stochastic scheduling problem, in which processing times are uncertain, which brings uncertain values in the constraints, and thus repair of an initial schedule may be needed. Historical realizations of the stochastic processing times are available. We show how existing decision-focused learning techniques based on stochastic smoothing can be adapted to this scheduling problem. We include an extensive experimental evaluation to investigate in which situations decision-focused learning outperforms the state of the art for such situations: scenario-based stochastic optimization.
Abstract（参考訳）: 線形目的語における不確定パラメータ値の問題を最適化する場合、決定中心学習はこれらの値のエンドツーエンド学習を可能にする。我々は、処理時間が不確実であり、制約に不確実な値をもたらす確率的スケジューリング問題に興味を持ち、初期スケジュールの修復が必要である。確率的処理時間の歴史的実現が可能である。確率的平滑化に基づく既存の意思決定型学習手法がこのスケジューリング問題にどのように適応できるかを示す。本研究は,状況決定に焦点をあてた学習が,状況の状況にどのような影響を与えるかを検討するための広範な実験評価を含む。

関連論文リスト

Forecasting Outside the Box: Application-Driven Optimal Pointwise Forecasts for Stochastic Optimization [0.0]
本稿では,未知の状況の最適近似を導出する統合学習と最適化手法を提案する。文献の在庫問題と実データを用いた自転車共有問題から得られた数値結果から,提案手法が有効であることを示す。
論文参考訳（メタデータ） (2024-11-05T21:54:50Z)
Embedding generalization within the learning dynamics: An approach based-on sample path large deviation theory [0.0]
本研究では,持続的視点から手法を利用する経験的リスク摂動に基づく学習問題を考察する。大規模偏差のFreidlin-Wentzell理論に基づく小雑音限界の推定を行う。また、最適点推定に繋がる変分問題を解く計算アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-08-04T23:31:35Z)
Score Function Gradient Estimation to Widen the Applicability of Decision-Focused Learning [17.962860438133312]
決定中心学習(DFL)パラダイムは、例えば後悔など、タスク損失を直接最小化するためのトレーニングによって制限を克服する。そこで我々は,このような仮定をせずに,任意のタスク損失に作用するスコア関数推定とスムースに組み合わせた代替手法を提案する。実験の結果、一般的に多くのエポックを必要とするが、専門的な手法と同等であり、特にソリューションの品質、スケーラビリティ、あるいはその両方の観点から、制約の不確実性に悩む問題に対して、特にうまく機能していることが示されている。
論文参考訳（メタデータ） (2023-07-11T12:32:13Z)
Resilient Constrained Learning [94.27081585149836]
本稿では,学習課題を同時に解決しながら,要求に適応する制約付き学習手法を提案する。我々はこの手法を、その操作を変更することで破壊に適応する生態システムを記述する用語に因んで、レジリエントな制約付き学習と呼ぶ。
論文参考訳（メタデータ） (2023-06-04T18:14:18Z)
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)
Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
論文参考訳（メタデータ） (2022-06-16T17:15:15Z)
Data-driven Prediction of Relevant Scenarios for Robust Optimization [0.0]
離散的な不確実性集合を持つロバストな1段階と2段階の問題について検討する。本稿では,一連の開始シナリオで反復解法をシード化するデータ駆動型計算を提案する。実験の結果,提案手法によって少数の優れたスタートシナリオを予測しても,反復的手法の時間を大幅に短縮できることがわかった。
論文参考訳（メタデータ） (2022-03-30T19:52:29Z)
Active Inference for Stochastic Control [1.3124513975412255]
能動推論は直感的な(確率的な)形式主義を考えると、問題を制御するための代替手法として登場した。本研究は,制御設定のためのアクティブ推論の有用性を評価するために構築される。本研究は, 強化学習と比較して, 決定論的・部分的可観測性の両方において, 能動推論の利点を示すものである。
論文参考訳（メタデータ） (2021-08-27T12:51:42Z)
Sufficiently Accurate Model Learning for Planning [119.80502738709937]
本稿では,制約付きSufficiently Accurateモデル学習手法を提案する。これはそのような問題の例を示し、いくつかの近似解がいかに近いかという定理を提示する。近似解の質は、関数のパラメータ化、損失と制約関数の滑らかさ、モデル学習におけるサンプルの数に依存する。
論文参考訳（メタデータ） (2021-02-11T16:27:31Z)
Time-varying Gaussian Process Bandit Optimization with Non-constant Evaluation Time [93.6788993843846]
非定常評価時間を効果的に処理できる新しい時間変化ベイズ最適化アルゴリズムを提案する。我々の限界は、評価時間列のパターンが問題の難易度に大きな影響を与えることを決定づける。
論文参考訳（メタデータ） (2020-03-10T13:28:33Z)
Learning with Differentiable Perturbed Optimizers [54.351317101356614]
本稿では,操作を微分可能で局所的に一定ではない操作に変換する手法を提案する。提案手法は摂動に依拠し,既存の解法とともに容易に利用することができる。本稿では,この枠組みが,構造化予測において発達した損失の族とどのように結びつくかを示し,学習課題におけるそれらの使用に関する理論的保証を与える。
論文参考訳（メタデータ） (2020-02-20T11:11:32Z)

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。