論文の概要: Smart Surrogate Losses for Contextual Stochastic Linear Optimization with Robust Constraints

• arxiv url: http://arxiv.org/abs/2505.22881v1
• Date: Wed, 28 May 2025 21:29:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.548623
• Title: Smart Surrogate Losses for Contextual Stochastic Linear Optimization with Robust Constraints
• Title（参考訳）: ロバスト制約を用いた文脈確率線形最適化のためのスマートサロゲート損失
• Authors: Hyungki Im, Wyame Benslimane, Paul Grigas,
• Abstract要約: 機械学習モデルにより予測される不確実なパラメータに依存する不等式制約を含む文脈線形最適化(CSLO)の拡張について検討する。 制約の不確実性に対処するために、共形予測のような手法を用いて構築された文脈不確実性集合を用いる。 本研究では,SPORC+が制約の不確かさを効果的に処理し,重み付けと重み付けを併用することで,さらなる性能向上が期待できることを示す。
• 参考スコア（独自算出の注目度）: 3.8233569758620063
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study an extension of contextual stochastic linear optimization (CSLO) that, in contrast to most of the existing literature, involves inequality constraints that depend on uncertain parameters predicted by a machine learning model. To handle the constraint uncertainty, we use contextual uncertainty sets constructed via methods like conformal prediction. Given a contextual uncertainty set method, we introduce the "Smart Predict-then-Optimize with Robust Constraints" (SPO-RC) loss, a feasibility-sensitive adaptation of the SPO loss that measures decision error of predicted objective parameters. We also introduce a convex surrogate, SPO-RC+, and prove Fisher consistency with SPO-RC. To enhance performance, we train on truncated datasets where true constraint parameters lie within the uncertainty sets, and we correct the induced sample selection bias using importance reweighting techniques. Through experiments on fractional knapsack and alloy production problem instances, we demonstrate that SPO-RC+ effectively handles uncertainty in constraints and that combining truncation with importance reweighting can further improve performance.
• Abstract（参考訳）: 本研究では、文脈確率線形最適化(CSLO)の拡張について検討し、既存の文献のほとんどとは対照的に、機械学習モデルによって予測される不確実なパラメータに依存する不等式制約を含む。 制約の不確実性に対処するために、共形予測のような手法を用いて構築された文脈不確実性集合を用いる。 文脈的不確実性セット法を前提として,予測対象パラメータの決定誤差を計測するSPO損失に適応可能な「ロバスト制約付きスマート予測最適化(SPO-RC)損失」を導入する。 また,SPO-RC+という凸状サロゲートを導入し,SPO-RCとフィッシャーの整合性を証明した。 性能向上のために,不確実性セット内に真の制約パラメータが存在するトラッピングデータセットをトレーニングし,重要再重み付け手法を用いてサンプル選択バイアスを補正する。 分別クナップサックおよび合金製造問題事例の実験を通じて,SPO-RC+は制約の不確かさを効果的に処理し,トランケーションと重み付けを併用することで,さらなる性能向上が期待できることを示した。

関連論文リスト

• CLUE: Neural Networks Calibration via Learning Uncertainty-Error alignment [7.702016079410588]
  CLUE(Calibration via Learning Uncertainty-Error Alignment)は,学習中の予測不確かさを観測誤差と整合させる新しい手法である。 CLUEは,最先端のアプローチに対して,キャリブレーション品質と競争予測性能に優れることを示す。
  論文  参考訳（メタデータ） (2025-05-28T19:23:47Z)
• Smart Predict-then-Optimize Method with Dependent Data: Risk Bounds and Calibration of Autoregression [7.369846475695131]
  本稿では,決定段階における最適化問題を直接対象とする自己回帰型SPO手法を提案する。 我々は, 絶対損失と最小二乗損失と比較して, SPO+サロゲートの有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2024-11-19T17:02:04Z)
• End-to-End Learning for Fair Multiobjective Optimization Under Uncertainty [55.04219793298687]
  機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。 本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。 この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
  論文  参考訳（メタデータ） (2024-02-12T16:33:35Z)
• Resilient Constrained Reinforcement Learning [87.4374430686956]
  本稿では,複数の制約仕様を事前に特定しない制約付き強化学習(RL)のクラスについて検討する。 報酬訓練目標と制約満足度との間に不明確なトレードオフがあるため、適切な制約仕様を特定することは困難である。 我々は、ポリシーと制約仕様を一緒に検索する新しい制約付きRLアプローチを提案する。
  論文  参考訳（メタデータ） (2023-12-28T18:28:23Z)
• Model-Based Epistemic Variance of Values for Risk-Aware Policy Optimization [59.758009422067]
  モデルベース強化学習における累積報酬に対する不確実性を定量化する問題を考察する。 我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式(UBE)を提案する。 本稿では,リスク・サーキングとリスク・アバース・ポリシー最適化のいずれにも適用可能な汎用ポリシー最適化アルゴリズムQ-Uncertainty Soft Actor-Critic (QU-SAC)を導入する。
  論文  参考訳（メタデータ） (2023-12-07T15:55:58Z)
• Online Constraint Tightening in Stochastic Model Predictive Control: A Regression Approach [49.056933332667114]
  確率制約付き最適制御問題に対する解析解は存在しない。 制御中の制約強調パラメータをオンラインで学習するためのデータ駆動型アプローチを提案する。 提案手法は, 確率制約を厳密に満たす制約強調パラメータを導出する。
  論文  参考訳（メタデータ） (2023-10-04T16:22:02Z)
• A sampling criterion for constrained Bayesian optimization with uncertainties [0.0]
  本稿では,関数を最適化し,制約を満たす確率制約最適化の問題について考察する。 このような問題に対処するために,新しいベイズ最適化法を提案する。 これは、不確実性が入力の一部から生じる状況に適用され、共同制御された制御されていない入力空間における取得基準を定義することができる。
  論文  参考訳（メタデータ） (2021-03-09T20:35:56Z)

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。