論文の概要: Contextual Scenario Generation for Two-Stage Stochastic Programming

• arxiv url: http://arxiv.org/abs/2502.05349v1
• Date: Fri, 07 Feb 2025 21:42:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-11 14:29:42.313796
• Title: Contextual Scenario Generation for Two-Stage Stochastic Programming
• Title（参考訳）: 2段階確率計画のための文脈シナリオ生成
• Authors: David Islip, Roy H. Kwon, Sanghyeon Bae, Woo Chang Kim,
• Abstract要約: 2段階プログラム(2SP)は不確実性の下で決定を行うための重要なツールである。 現在のシナリオ生成アプローチでは、文脈情報を利用していないか、あるいは計算上の問題に対処していない。 本稿では,予測された代理シナリオと真の文脈分布との分布距離を最小化することにより,マッピングを学習する分布的アプローチを提案する。 第2に,高品質な意思決定をもたらすサロゲートシナリオの創出を目的としたタスクベースアプローチを提案する。
• 参考スコア（独自算出の注目度）: 0.2812395851874055
• License:
• Abstract: Two-stage stochastic programs (2SPs) are important tools for making decisions under uncertainty. Decision-makers use contextual information to generate a set of scenarios to represent the true conditional distribution. However, the number of scenarios required is a barrier to implementing 2SPs, motivating the problem of generating a small set of surrogate scenarios that yield high-quality decisions when they represent uncertainty. Current scenario generation approaches do not leverage contextual information or do not address computational concerns. In response, we propose contextual scenario generation (CSG) to learn a mapping between the context and a set of surrogate scenarios of user-specified size. First, we propose a distributional approach that learns the mapping by minimizing a distributional distance between the predicted surrogate scenarios and the true contextual distribution. Second, we propose a task-based approach that aims to produce surrogate scenarios that yield high-quality decisions. The task-based approach uses neural architectures to approximate the downstream objective and leverages the approximation to search for the mapping. The proposed approaches apply to various problem structures and loosely only require efficient solving of the associated subproblems and 2SPs defined on the reduced scenario sets. Numerical experiments demonstrating the effectiveness of the proposed methods are presented.
• Abstract（参考訳）: 2段階確率プログラム(2SP)は不確実性の下で決定を行うための重要なツールである。 意思決定者はコンテキスト情報を使用して、真の条件分布を表す一連のシナリオを生成する。 しかし、要求されるシナリオの数は、2SPの実装の障壁であり、不確実性を表すときに高品質な決定を下す少数のサロゲートシナリオを生成するという問題を動機付けている。 現在のシナリオ生成アプローチでは、文脈情報を利用していないか、あるいは計算上の問題に対処していない。 そこで,本稿では,コンテキストとユーザ指定サイズのサロゲートシナリオの集合とのマッピングを学習するために,コンテキストシナリオ生成(CSG)を提案する。 まず,予測されたサロゲートシナリオと真の文脈分布との分布距離を最小化することにより,マッピングを学習する分布的アプローチを提案する。 第2に,高品質な意思決定をもたらすサロゲートシナリオの創出を目的としたタスクベースアプローチを提案する。 タスクベースのアプローチでは、ニューラルネットワークを使用して下流の目的を近似し、近似を利用してマッピングを検索する。 提案手法は,様々な問題構造に適用され,関連するサブプロブレムと,縮小シナリオセット上で定義された2SPの効率的な解法のみを緩やかに要求する。 提案手法の有効性を示す数値実験を行った。

関連論文リスト

• Decentralized Learning Strategies for Estimation Error Minimization with Graph Neural Networks [94.2860766709971]
  統計的に同一性を持つ無線ネットワークにおける自己回帰的マルコフ過程のサンプリングとリモート推定の課題に対処する。 我々のゴールは、分散化されたスケーラブルサンプリングおよび送信ポリシーを用いて、時間平均推定誤差と/または情報の年齢を最小化することである。
  論文  参考訳（メタデータ） (2024-04-04T06:24:11Z)
• Predictive Inference in Multi-environment Scenarios [18.324321417099394]
  有効な信頼区間を構築するという課題に対処し、複数の環境にまたがる予測の問題に対処する。 我々は、非伝統的で階層的なデータ生成シナリオにおいて、分散のないカバレッジを得る方法を示すために、Jackknifeとsplit-conformalメソッドを拡張します。 コントリビューションには、非実測値応答の設定の拡張、これらの一般的な問題における予測推論の一貫性の理論、条件付きカバレッジの限界に関する洞察が含まれる。
  論文  参考訳（メタデータ） (2024-03-25T00:21:34Z)
• Planning as In-Painting: A Diffusion-Based Embodied Task Planning Framework for Environments under Uncertainty [56.30846158280031]
  具体的AIのためのタスクプランニングは、最も難しい問題の1つだ。 In-paintingとしての計画」というタスク非依存の手法を提案する。 提案するフレームワークは,様々な具体的AIタスクにおいて,有望なパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-12-02T10:07:17Z)
• Fast Empirical Scenarios [0.0]
  サンプルモーメントと整合した大規模パネルデータから代表シナリオを抽出する。 2つの新しいアルゴリズムのうち、最初に観測されていないシナリオを識別する。 第2の提案は、すでに実現した世界の状態から重要なデータポイントを選択する。
  論文  参考訳（メタデータ） (2023-07-08T07:58:53Z)
• 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)
• Learning MDPs from Features: Predict-Then-Optimize for Sequential Decision Problems by Reinforcement Learning [52.74071439183113]
  我々は、強化学習を通して解決された逐次決定問題(MDP)の文脈における予測列最適化フレームワークについて検討した。 2つの重要な計算課題は、意思決定中心の学習をMDPに適用することである。
  論文  参考訳（メタデータ） (2021-06-06T23:53:31Z)
• Modeling the Second Player in Distributionally Robust Optimization [90.25995710696425]
  我々は、最悪のケース分布を特徴付けるために神経生成モデルを使うことを議論する。 このアプローチは多くの実装と最適化の課題をもたらします。 提案されたアプローチは、同等のベースラインよりも堅牢なモデルを生み出す。
  論文  参考訳（メタデータ） (2021-03-18T14:26:26Z)
• Application-Driven Learning: A Closed-Loop Prediction and Optimization Approach Applied to Dynamic Reserves and Demand Forecasting [41.94295877935867]
  我々は、予測と意思決定のプロセスが統合され、協調最適化される新しいクローズドループフレームワークであるアプリケーション駆動学習を提案する。 提案手法は拡張性があり,標準のオープンループ手法よりも一貫して性能が向上することを示す。
  論文  参考訳（メタデータ） (2021-02-26T02:43:28Z)
• A One-step Approach to Covariate Shift Adaptation [82.01909503235385]
  多くの機械学習シナリオにおけるデフォルトの前提は、トレーニングとテストサンプルは同じ確率分布から引き出されることである。 予測モデルと関連する重みを1つの最適化で共同で学習する新しいワンステップアプローチを提案する。
  論文  参考訳（メタデータ） (2020-07-08T11:35:47Z)
• Learning while Respecting Privacy and Robustness to Distributional Uncertainties and Adversarial Data [66.78671826743884]
  分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。 目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。 提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
  論文  参考訳（メタデータ） (2020-07-07T18:25:25Z)
• Learning to Collide: An Adaptive Safety-Critical Scenarios Generating Method [20.280573307366627]
  本稿では,タスクアルゴリズム評価のための安全クリティカルなシナリオを作成するための生成フレームワークを提案する。 提案手法は,グリッド探索や人的設計手法よりも安全クリティカルなシナリオを効率的に生成できることを実証する。
  論文  参考訳（メタデータ） (2020-03-02T21:26:03Z)

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。