論文の概要: UDuo: Universal Dual Optimization Framework for Online Matching

• arxiv url: http://arxiv.org/abs/2505.22243v1
• Date: Wed, 28 May 2025 11:25:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-29 17:35:50.570484
• Title: UDuo: Universal Dual Optimization Framework for Online Matching
• Title（参考訳）: UDuo: オンラインマッチングのためのユニバーサルデュアル最適化フレームワーク
• Authors: Bin Li, Diwei Liu, Zehong Hu, Jia Jia,
• Abstract要約: 3つの重要なイノベーションを通じて、オンラインアロケーションを根本的に再考する新しいパラダイムを提案する。 時間的ユーザ到着表現ベクトル、リソースペアリング学習者、オンライン時系列予測手法。 実験結果から,UDuoは現実の価格設定において従来の到着モデルよりも効率が高く,収束が速いことがわかった。
• 参考スコア（独自算出の注目度）: 9.092568268958425
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Online resource allocation under budget constraints critically depends on proper modeling of user arrival dynamics. Classical approaches employ stochastic user arrival models to derive near-optimal solutions through fractional matching formulations of exposed users for downstream allocation tasks. However, this is no longer a reasonable assumption when the environment changes dynamically. In this work, We propose the Universal Dual optimization framework UDuo, a novel paradigm that fundamentally rethinks online allocation through three key innovations: (i) a temporal user arrival representation vector that explicitly captures distribution shifts in user arrival patterns and resource consumption dynamics, (ii) a resource pacing learner with adaptive allocation policies that generalize to heterogeneous constraint scenarios, and (iii) an online time-series forecasting approach for future user arrival distributions that achieves asymptotically optimal solutions with constraint feasibility guarantees in dynamic environments. Experimental results show that UDuo achieves higher efficiency and faster convergence than the traditional stochastic arrival model in real-world pricing while maintaining rigorous theoretical validity for general online allocation problems.
• Abstract（参考訳）: 予算制約下でのオンラインリソース割り当ては、ユーザの到着ダイナミクスの適切なモデリングに依存します。 古典的なアプローチでは、ダウンストリーム割り当てタスクのために露出したユーザの分数マッチングを定式化することにより、確率的ユーザ到着モデルを用いて、ほぼ最適解を導出する。 しかし、環境が動的に変化するとき、これはもはや合理的な仮定ではない。 本稿では,3つの重要なイノベーションを通じて,オンラインアロケーションを根本的に再考する新しいパラダイムであるUniversal Dual Optimization framework UDuoを提案する。 i) ユーザの到着パターンとリソース消費動態の分布シフトを明示的にキャプチャする時間的ユーザ到着表現ベクトル。 (II)異種制約シナリオに一般化する適応的アロケーションポリシーを持つリソースペアリング学習者 3) 動的環境における制約実現可能性保証を伴う漸近的最適解を実現するオンライン時系列予測手法について検討した。 実験の結果,UDuoは従来の確率的到着モデルよりも高効率で高速な収束を実現し,オンラインアロケーション問題に対する厳密な理論的妥当性を維持した。

関連論文リスト

• Large Language Model Empowered Recommendation Meets All-domain Continual Pre-Training [60.38082979765664]
  CPRecは、レコメンデーションのための全ドメイン連続事前トレーニングフレームワークである。 LLMを連続的な事前学習パラダイムを通じて、普遍的なユーザ行動と整合させる。 2つの異なるプラットフォームから5つの実世界のデータセットを実験する。
  論文  参考訳（メタデータ） (2025-04-11T20:01:25Z)
• Global-Decision-Focused Neural ODEs for Proactive Grid Resilience Management [50.34345101758248]
  本稿では,機能停止予測とグローバルに最適化された介入を統合するフレームワークPATOGを提案する。 提案手法は,空間的かつ時間的に整合性のある意思決定を保証し,予測精度と操作効率を両立させる。 合成および実世界のデータセットの実験では、停止予測一貫性とグリッドレジリエンスが大幅に改善された。
  論文  参考訳（メタデータ） (2025-02-25T16:15:35Z)
• Exploring the Boundary of Diffusion-based Methods for Solving Constrained Optimization [46.75288477458697]
  本稿では,DiOptと呼ばれる連続制約最適化問題に対する拡散に基づく新しいフレームワークを提案する。 DiOptは2つの異なるフェーズで動作し、最初のウォームスタートフェーズは教師付き学習によって実装され、その後ブートストラップフェーズが続く。 問題の制約を厳格に満たしつつ、反復的に解を洗練し、目的関数を改善するように設計されている。
  論文  参考訳（メタデータ） (2025-02-14T17:43:08Z)
• Client-Centric Federated Adaptive Optimization [78.30827455292827]
  Federated Learning(FL)は、クライアントが独自のデータをプライベートに保ちながら、協調的にモデルをトレーニングする分散学習パラダイムである。 本稿では,新しいフェデレーション最適化手法のクラスであるフェデレーション中心適応最適化を提案する。
  論文  参考訳（メタデータ） (2025-01-17T04:00:50Z)
• DECODE: Domain-aware Continual Domain Expansion for Motion Prediction [10.479509360064219]
  動作予測のための新しい連続学習フレームワークであるDECODEを紹介する。 専門化と一般化のバランスをとり、リアルタイムの要求に合わせて動的に調整する。 保存率は0.044で平均0.584mである。
  論文  参考訳（メタデータ） (2024-11-26T22:20:22Z)
• Dynamic Matching with Post-allocation Service and its Application to Refugee Resettlement [1.9689888982532262]
  米国の主要難民再定住機関との協力により、我々は、新しい到着(避難ケース)が静的リソースの1つ(固定年限の場所)と即時かつ不可逆的に一致しなければならない動的なマッチング問題を調査した。 サービスの時間的特性を考えると、サーバは特定の時点では利用できないため、動的リソースとして参照する。一致すれば、ケースは第一級サービスとして利用できるようになるのを待つことになる。
  論文  参考訳（メタデータ） (2024-10-30T13:17:38Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Model-based Causal Bayesian Optimization [74.78486244786083]
  乗算重み付き因果ベイズ最適化のための最初のアルゴリズム(CBO-MW)を提案する。 グラフ関連の量に自然に依存するCBO-MWに対する後悔の限界を導出する。 我々の実験は、共有モビリティシステムにおいて、ユーザの需要パターンを学習するためにCBO-MWをどのように使用できるかの現実的なデモを含む。
  論文  参考訳（メタデータ） (2023-07-31T13:02:36Z)
• Model-Free Learning of Optimal Deterministic Resource Allocations in Wireless Systems via Action-Space Exploration [4.721069729610892]
  本稿では,最適パラメータ化資源割り当てポリシーを効率的に学習するための,技術的基盤と拡張性のある2次元勾配法を提案する。 提案手法は, 深層ネットワークなどの一般的な普遍表現の勾配を効率よく活用するだけでなく, 低次元摂動により構築された関連するランダムネットワークサービスのゼロ階勾配近似を一貫したゼロ階勾配近似に頼っているため, 真のモデルフリーである。
  論文  参考訳（メタデータ） (2021-08-23T18:26:16Z)

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。