論文の概要: Knowing When to Stop Matters: A Unified Algorithm for Online Conversion under Horizon Uncertainty

• arxiv url: http://arxiv.org/abs/2502.03817v1
• Date: Thu, 06 Feb 2025 07:06:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-07 14:31:21.234617
• Title: Knowing When to Stop Matters: A Unified Algorithm for Online Conversion under Horizon Uncertainty
• Title（参考訳）: 物事をいつ止めるかを知る: 水平不確実性の下でのオンライン変換のための統一アルゴリズム
• Authors: Yanzhao Wang, Hasti Nourmohammadi Sigaroudi, Bo Sun, Omid Ardakanian, Xiaoqi Tan,
• Abstract要約: オンライン変換における重要な課題は、地平線の不確実性の下で意思決定を管理することである。 これらの地平線モデルに対して最適な競合保証を実現する統一アルゴリズムを提案する。 アルゴリズムを学習強化バージョンに拡張し、水平線予測を利用して性能を適応的にバランスさせる。
• 参考スコア（独自算出の注目度）: 3.6118546479656772
• License:
• Abstract: This paper investigates the online conversion problem, which involves sequentially trading a divisible resource (e.g., energy) under dynamically changing prices to maximize profit. A key challenge in online conversion is managing decisions under horizon uncertainty, where the duration of trading is either known, revealed partway, or entirely unknown. We propose a unified algorithm that achieves optimal competitive guarantees across these horizon models, accounting for practical constraints such as box constraints, which limit the maximum allowable trade per step. Additionally, we extend the algorithm to a learning-augmented version, leveraging horizon predictions to adaptively balance performance: achieving near-optimal results when predictions are accurate while maintaining strong guarantees when predictions are unreliable. These results advance the understanding of online conversion under various degrees of horizon uncertainty and provide more practical strategies to address real world constraints.
• Abstract（参考訳）: 本稿では、動的に変動する価格で資源(例えばエネルギー)を順次取引して利益を最大化するオンライン変換問題について検討する。 オンライン変換における重要な課題は、地平線の不確実性の下で意思決定を管理することだ。 本稿では,ボックス制約などの現実的な制約を考慮し,各ステップ当たりの最大取引量を制限することにより,これらの水平モデルの最適競争保証を実現する統一アルゴリズムを提案する。 さらに,このアルゴリズムを学習強化版に拡張し,水平線予測を利用して性能を適応的にバランスさせる。 これらの結果は、様々な水平不確実性の下でのオンライン変換の理解を促進し、現実世界の制約に対処するためのより実践的な戦略を提供する。

関連論文リスト

• End-to-End Conformal Calibration for Optimization Under Uncertainty [32.844953018302874]
  本稿では,条件最適化のための不確実性推定を学習するためのエンドツーエンドフレームワークを開発する。 さらに,部分凸ニューラルネットワークを用いた任意の凸不確実性集合の表現を提案する。 我々のアプローチは2段階最適化によって一貫して改善される。
  論文  参考訳（メタデータ） (2024-09-30T17:38:27Z)
• ConU: Conformal Uncertainty in Large Language Models with Correctness Coverage Guarantees [68.33498595506941]
  自己整合性理論に基づく新しい不確実性尺度を導入する。 次に,CPアルゴリズムに正当性に整合した不確かさ条件を組み込むことにより,適合性不確かさの基準を策定する。 実証的な評価は、我々の不確実性測定が過去の最先端手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-06-29T17:33:07Z)
• Improved Online Conformal Prediction via Strongly Adaptive Online Learning [86.4346936885507]
  我々は、強い適応的後悔を最小限に抑える新しいオンライン共形予測手法を開発した。 提案手法は,すべての区間において,ほぼ最適に適応的な後悔を同時に達成できることを実証する。 実験により,本手法は実世界のタスクにおける既存の手法よりも,より優れたカバレッジと予測セットが得られることがわかった。
  論文  参考訳（メタデータ） (2023-02-15T18:59:30Z)
• 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)
• Online Resource Allocation under Horizon Uncertainty [27.21119630468227]
  収益管理やオンライン広告では、需要の変動やユーザートラフィックの激しさのためにリクエスト数が大きく変化する可能性がある。 本研究では,地平線不確実性に頑健なオンラインアルゴリズムを開発する。 特に、地平線の不確実性が大きくなるにつれて、我々の競争比は最適な成長速度(対数的要因まで)を達成する。
  論文  参考訳（メタデータ） (2022-06-27T19:54:10Z)
• Safe Online Bid Optimization with Return-On-Investment and Budget Constraints subject to Uncertainty [87.81197574939355]
  最適化問題と学習問題の両方について検討する。 我々は、潜在的に線形な数の制約違反を犠牲にして、サブ線形後悔を保証するアルゴリズム、すなわちGCBを提供する。 より興味深いことに、我々はGCB_safe(psi,phi)というアルゴリズムを提供し、サブ線形擬似回帰と安全性w.h.p.の両方を、耐性 psi と phi を受け入れるコストで保証する。
  論文  参考訳（メタデータ） (2022-01-18T17:24:20Z)
• Pareto-Optimal Learning-Augmented Algorithms for Online Conversion Problems [13.593621603504847]
  我々は,予測が正確である場合に競争率を改善することを目的として,オンライン変換問題の競合アルゴリズムを設計する。 また、予測品質に関わらず、最悪の競合比率を保証します。 ビットコイン変換に関する数値実験により,OTAの性能を実証した。
  論文  参考訳（メタデータ） (2021-09-03T14:27:33Z)
• Multi-Stage Decentralized Matching Markets: Uncertain Preferences and Strategic Behaviors [91.3755431537592]
  本稿では、現実世界のマッチング市場で最適な戦略を学ぶためのフレームワークを開発する。 我々は,不確実性レベルが特徴の福祉対フェアネストレードオフが存在することを示す。 シングルステージマッチングと比較して、マルチステージマッチングで参加者がより良くなることを証明します。
  論文  参考訳（メタデータ） (2021-02-13T19:25:52Z)
• Optimal Robustness-Consistency Trade-offs for Learning-Augmented Online Algorithms [85.97516436641533]
  機械学習予測を取り入れたオンラインアルゴリズムの性能向上の課題について検討する。 目標は、一貫性と堅牢性の両方を備えたアルゴリズムを設計することだ。 機械学習予測を用いた競合解析のための非自明な下界の最初のセットを提供する。
  論文  参考訳（メタデータ） (2020-10-22T04:51:01Z)

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。