論文の概要: Timeseries Suppliers Allocation Risk Optimization via Deep Black
Litterman Model
- arxiv url: http://arxiv.org/abs/2401.17350v1
- Date: Tue, 30 Jan 2024 17:57:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-01 16:38:52.017686
- Title: Timeseries Suppliers Allocation Risk Optimization via Deep Black
Litterman Model
- Title(参考訳): ディープブラックリッターマンモデルによる時系列サプライヤ割り当てリスク最適化
- Authors: Jiayuan Luo, Wentao Zhang, Yuchen Fang, Xiaowei Gao, Dingyi Zhuang,
Hao Chen, Xinke Jiang
- Abstract要約: BLモデルとパースペクティブマトリックスを導入し、サプライヤの選択と注文の割り当てを最適化する。
時空間グラフニューラルネットワークを用いたサプライヤ関係ネットワークの開発により,複雑なサプライヤ相互依存性の理解が促進される。
- 参考スコア(独自算出の注目度): 27.15276181081474
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce the BL model and the Perspective Matrix to optimize supplier
selection and order allocation, focusing on both temporal and spatial dynamics.
Our development of a Supplier Relationship Network, using a Spatio-Temporal
Graph Neural Network, enhances the understanding of complex supplier
interdependencies. Additionally, we address credibility issues in zero-order
scenarios with a Masked Ranking Mechanism, improving supplier ranking
efficiency. Our model demonstrates superior results on two datasets compared to
the traditional models. Our evaluations using real-world datasets highlight
DBLM's superiority in providing accurate predictions and precise confidence
intervals, particularly in high-resolution scenarios.
- Abstract(参考訳): 我々は,時間と空間のダイナミクスに着目し,サプライヤの選択と順序割り当てを最適化するblモデルとパースペクティブマトリックスを提案する。
我々は,時空間グラフニューラルネットワークを用いたサプライヤ関係ネットワークの開発により,複雑なサプライヤ相互依存性の理解を深める。
さらに,マスケッドランキング機構を用いたゼロオーダーシナリオにおける信頼性問題に対処し,サプライヤーのランキング効率を向上させる。
従来のモデルと比較して,2つのデータセットに対して優れた結果を示す。
実世界のデータセットを用いた評価では、特に高分解能シナリオにおいて、正確な予測と正確な信頼区間を提供するdblmの優位性が強調される。
関連論文リスト
- RigorLLM: Resilient Guardrails for Large Language Models against Undesired Content [62.685566387625975]
現在の緩和戦略は効果はあるものの、敵の攻撃下では弾力性がない。
本稿では,大規模言語モデルのための弾力性ガードレール(RigorLLM)について紹介する。
論文 参考訳(メタデータ) (2024-03-19T07:25:02Z) - Mitigating Reward Hacking via Information-Theoretic Reward Modeling [70.26019860948114]
本稿では,報酬モデリングのための汎用的で堅牢なフレームワークであるInfoRMを提案する。
我々は,潜伏空間における過最適化と外れ値の相関を同定し,報酬過最適化を検出するための有望なツールとしてInfoRMを確立した。
論文 参考訳(メタデータ) (2024-02-14T17:49:07Z) - The Bigger the Better? Rethinking the Effective Model Scale in Long-term
Time Series Forecasting [57.00348861248051]
時系列予測は時系列分析において重要なフロンティアである。
階層的な分解で拡張された軽量トランスフォーマーであるHDformerを紹介する。
HDformerは既存のLTSFモデルよりも優れており、パラメータは99%以上少ない。
論文 参考訳(メタデータ) (2024-01-22T13:15:40Z) - XRMDN: An Extended Recurrent Mixture Density Network for Short-Term
Probabilistic Rider Demand Forecasting with High Volatility [16.047461063459846]
本稿では,XRMDN (Extended Recurrent Mixture Density Network) を提案する。
XRMDNは需要動向を順応的に捉え、特に高ボラティリティシナリオにおいて予測精度を大幅に向上させる。
論文 参考訳(メタデータ) (2023-10-15T14:18:42Z) - When Demonstrations Meet Generative World Models: A Maximum Likelihood
Framework for Offline Inverse Reinforcement Learning [62.00672284480755]
本稿では, 専門家エージェントから, 一定の有限個の実演において観測された動作を過小評価する報酬と環境力学の構造を復元することを目的とする。
タスクを実行するための正確な専門知識モデルは、臨床的意思決定や自律運転のような安全に敏感な応用に応用できる。
論文 参考訳(メタデータ) (2023-02-15T04:14:20Z) - Towards Long-Term Time-Series Forecasting: Feature, Pattern, and
Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。
トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。
LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文 参考訳(メタデータ) (2023-01-05T13:59:29Z) - Distributionally Robust Model-Based Offline Reinforcement Learning with
Near-Optimal Sample Complexity [39.886149789339335]
オフライン強化学習は、積極的に探索することなく、履歴データから意思決定を行うことを学習することを目的としている。
環境の不確実性や変動性から,デプロイされた環境が,ヒストリデータセットの収集に使用される名目上のものから逸脱した場合でも,良好に機能するロバストなポリシーを学ぶことが重要である。
オフラインRLの分布的ロバストな定式化を考察し、有限水平および無限水平の両方でクルバック・リーブラー発散によって指定された不確実性セットを持つロバストマルコフ決定過程に着目する。
論文 参考訳(メタデータ) (2022-08-11T11:55:31Z) - Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。
この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。
本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-06-08T04:09:13Z) - Short-Term Load Forecasting Using Time Pooling Deep Recurrent Neural
Network [0.0]
再生可能エネルギー源と電気自動車などの新興負荷をスマートグリッドに統合することは、配電系統管理に不確実性をもたらす。デマンドサイドマネジメント(DSM)は、不確実性を低減するためのアプローチの一つである。
Nonintrusive Load Monitoring (NILM) のようなアプリケーションは DSM をサポートすることができるが、高解像度データの正確な予測は必要である。
高いボラティリティのため、一戸建て住宅のような単一負荷の場合、これは難しい。
論文 参考訳(メタデータ) (2021-09-26T05:20:48Z) - Online Learning Based Risk-Averse Stochastic MPC of Constrained Linear
Uncertain Systems [0.0]
本稿では, 線形時間不変系のデータ駆動型モデル予測制御(MPC)の設計問題について検討する。
本研究では,条件付きバリュー・アット・リスク(CVaR)制約があいまいさ集合と呼ばれる分布の族を拘束するために必要となる,オンライン学習に基づくリスク変動型MPCフレームワークを提案する。
論文 参考訳(メタデータ) (2020-11-20T13:00:28Z)
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。