論文の概要: A resource-constrained stochastic scheduling algorithm for homeless street outreach and gleaning edible food
- arxiv url: http://arxiv.org/abs/2403.10638v1
- Date: Fri, 15 Mar 2024 19:12:28 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-19 22:34:14.723490
- Title: A resource-constrained stochastic scheduling algorithm for homeless street outreach and gleaning edible food
- Title（参考訳）: ホームレスのストリートアウトリーチのための資源制約付き確率的スケジューリングアルゴリズムと食用食品のグリーニング
- Authors: Conor M. Artman, Aditya Mate, Ezinne Nwankwo, Aliza Heching, Tsuyoshi Idé, Jiří\, Navrátil, Karthikeyan Shanmugam, Wei Sun, Kush R. Varshney, Lauri Goldkind, Gidi Kroch, Jaclyn Sawyer, Ian Watson,
- Abstract要約: ミッションや運用の異なる社会変革組織が直面する資源制約付きアウトリーチ問題に対処する共通アルゴリズムソリューションを開発した。
そこで我々は,k$-step遷移の下で部分的に観測された非定常帯域に対する推定と最適化手法を開発した。
- 参考スコア（独自算出の注目度）: 29.017017395878597
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We developed a common algorithmic solution addressing the problem of resource-constrained outreach encountered by social change organizations with different missions and operations: Breaking Ground -- an organization that helps individuals experiencing homelessness in New York transition to permanent housing and Leket -- the national food bank of Israel that rescues food from farms and elsewhere to feed the hungry. Specifically, we developed an estimation and optimization approach for partially-observed episodic restless bandits under $k$-step transitions. The results show that our Thompson sampling with Markov chain recovery (via Stein variational gradient descent) algorithm significantly outperforms baselines for the problems of both organizations. We carried out this work in a prospective manner with the express goal of devising a flexible-enough but also useful-enough solution that can help overcome a lack of sustainable impact in data science for social good.
- Abstract（参考訳）: 私たちは、異なるミッションや運営を行う社会変革組織が直面する資源制限されたアウトリーチ問題に対処する一般的なアルゴリズムソリューションを開発しました。
具体的には、k$-step遷移の下で、部分的に保存されたエピソードのレストバンドレットを推定および最適化する手法を開発した。
その結果,マルコフ連鎖のリカバリによるトンプソンサンプリング(スタイン変分勾配降下法)アルゴリズムは,両組織の問題点に対するベースラインを著しく上回っていることがわかった。
我々は、社会的善のためのデータサイエンスにおける持続的影響の欠如を克服する上で有効な、フレキシブルで有用なソリューションを考案する、という明確な目標を掲げて、この取り組みを前向きに実施した。
関連論文リスト
- A Distance Similarity-based Genetic Optimization Algorithm for Satellite Ground Network Planning Considering Feeding Mode [53.71516191515285]
衛星データ中継ミッションの送信効率の低さは、現在システムの構築を制約している問題となっている。
本研究では,タスク間の状態特性を考慮した距離類似性に基づく遺伝的最適化アルゴリズム(DSGA)を提案し,タスク間の類似性を決定するための重み付きユークリッド距離法を提案する。
論文 参考訳（メタデータ） (2024-08-29T06:57:45Z) - Automating Food Drop: The Power of Two Choices for Dynamic and Fair Food Allocation [51.687404103375506]
私たちはインディアナ州の非営利組織とパートナーし、EmphFood Dropというプログラムを率いています。
このパートナーシップの目標は、Food Dropを完全に自動化することにあります。
そのためには、食品を受け取った食品銀行の公正性の確保と、トラック運転手の効率の最適化を両立させるために、リアルタイムな意思決定を行うためのマッチングアルゴリズムが必要である。
論文 参考訳（メタデータ） (2024-06-10T15:22:41Z) - The Stochastic Dynamic Post-Disaster Inventory Allocation Problem with
Trucks and UAVs [1.3812010983144802]
人道的物流事業は、災害地域における援助の需要の高まりにより困難が増している。
本報告では, 被災地域における空き地供給の動的配分について, 時間とともに検討する。
これは、トラックや無人航空機が救援物資を配達する際の、新しい動的事後在庫配分問題を導入している。
論文 参考訳（メタデータ） (2023-11-30T19:03:04Z) - Learning Optimal and Fair Policies for Online Allocation of Scarce
Societal Resources from Data Collected in Deployment [5.0904557821667]
当社は、予算制約を満たしつつ、期待される成果を最大化するオンラインポリシーを設計するために、デプロイメントで収集された管理データを使用します。
当社の政策は,ホームレスからの退去率を1.9%向上させ,人種ごとの配分や結果に公平な政策は,フェアネスの非常に低い価格で得られることを示す。
論文 参考訳（メタデータ） (2023-11-23T01:40:41Z) - Rebalancing Social Feed to Minimize Polarization and Disagreement [24.939887831898453]
本稿では,ユーザのソーシャルフィードをわずかにヌードすることを目的とした新しい問題定式化を提案し,その妥当性と多様性を両立させる。
提案手法は,ユーザがフォローするアカウントの相対的重要性を再重み付けすることで,ユーザに対して様々なアカウントが生成するコンテンツの頻度を校正する。
論文 参考訳（メタデータ） (2023-08-28T10:59:05Z) - Walkability Optimization: Formulations, Algorithms, and a Case Study of
Toronto [10.882996403581524]
土地の区画化と歴史的低投資は住民の歩行性や社会的不平等をもたらしている。
空間最適化のレンズによる歩行性最適化の問題に取り組む。
我々はMILP(Mixed-Integer Linear Programming)モデルとCP(Constraint Programming)モデルを導出する。
カナダのトロント市における31の未保存地区について事例研究を行った。
論文 参考訳（メタデータ） (2022-12-10T03:52:03Z) - Learning to Optimize with Stochastic Dominance Constraints [103.26714928625582]
本稿では,不確実量を比較する問題に対して,単純かつ効率的なアプローチを開発する。
我々はラグランジアンの内部最適化をサロゲート近似の学習問題として再考した。
提案したライト-SDは、ファイナンスからサプライチェーン管理に至るまで、いくつかの代表的な問題において優れた性能を示す。
論文 参考訳（メタデータ） (2022-11-14T21:54:31Z) - Deep Learning for Principal-Agent Mean Field Games [5.2220228867103815]
マーケットクリーニング条件を用いて,プリンシパル・アジェント平均フィールドゲームを解くためのディープラーニングアルゴリズムを開発した。
エージェントは主のペナルティ関数に従ってナッシュ平衡を形成する。
数値計算の結果,アルゴリズムの有効性が示され,PA相互作用の最適性に関する興味深い知見が得られた。
論文 参考訳（メタデータ） (2021-10-03T23:38:40Z) - Efficient Empowerment Estimation for Unsupervised Stabilization [75.32013242448151]
エンパワーメント原理は 直立位置での 力学系の教師なし安定化を可能にする
本稿では,ガウスチャネルとして動的システムのトレーニング可能な表現に基づく代替解を提案する。
提案手法は, サンプルの複雑さが低く, 訓練時より安定であり, エンパワーメント機能の本質的特性を有し, 画像からエンパワーメントを推定できることを示す。
論文 参考訳（メタデータ） (2020-07-14T21:10:16Z) - Robust Reinforcement Learning with Wasserstein Constraint [49.86490922809473]
最適なロバストなポリシーの存在を示し、摂動に対する感度分析を行い、新しいロバストな学習アルゴリズムを設計する。
提案アルゴリズムの有効性はCart-Pole環境で検証する。
論文 参考訳（メタデータ） (2020-06-01T13:48:59Z)
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。