論文の概要: ASTER: Adaptive Spatio-Temporal Early Decision Model for Dynamic Resource Allocation

• arxiv url: http://arxiv.org/abs/2506.17929v1
• Date: Sun, 22 Jun 2025 07:49:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.653151
• Title: ASTER: Adaptive Spatio-Temporal Early Decision Model for Dynamic Resource Allocation
• Title（参考訳）: ASTER:動的資源配分のための適応時空間初期決定モデル
• Authors: Shulun Chen, Wei Shao, Flora D. Salim, Hao Xue,
• Abstract要約: 緊急対応では、インシデント予測だけでなく、リソース割り当てと介入の成功が優先される。 事象予測から行動可能な意思決定支援へ予測パラダイムを改革する適応的S時間決定(ASTER)を提案することが不可欠である。 このフレームワークは、情報が意思決定に直接使用されることを保証するため、全体的な効果を最大化する。
• 参考スコア（独自算出の注目度）: 9.870286663826253
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Supporting decision-making has long been a central vision in the field of spatio-temporal intelligence. While prior work has improved the timeliness and accuracy of spatio-temporal forecasting, converting these forecasts into actionable strategies remains a key challenge. A main limitation is the decoupling of the prediction and the downstream decision phases, which can significantly degrade the downstream efficiency. For example, in emergency response, the priority is successful resource allocation and intervention, not just incident prediction. To this end, it is essential to propose an Adaptive Spatio-Temporal Early Decision model (ASTER) that reforms the forecasting paradigm from event anticipation to actionable decision support. This framework ensures that information is directly used for decision-making, thereby maximizing overall effectiveness. Specifically, ASTER introduces a new Resource-aware Spatio-Temporal interaction module (RaST) that adaptively captures long- and short-term dependencies under dynamic resource conditions, producing context-aware spatiotemporal representations. To directly generate actionable decisions, we further design a Preference-oriented decision agent (Poda) based on multi-objective reinforcement learning, which transforms predictive signals into resource-efficient intervention strategies by deriving optimal actions under specific preferences and dynamic constraints. Experimental results on four benchmark datasets demonstrate the state-of-the-art performance of ASTER in improving both early prediction accuracy and resource allocation outcomes across six downstream metrics.
• Abstract（参考訳）: 意思決定を支援することは、時空間知性の分野において長い間中心的なビジョンであった。 従来の作業は時空間予測のタイムラインと精度を改善してきたが、これらの予測を実行可能な戦略に変換することは依然として重要な課題である。 主な制限は、予測と下流決定フェーズの分離であり、下流効率を著しく低下させることができる。 例えば、緊急対応では、インシデント予測だけでなく、リソース割り当てと介入の成功が優先される。 この目的のためには、予測パラダイムをイベント予測から実行可能な意思決定支援へと改革する適応時空間早期決定モデル(ASTER)を提案することが不可欠である。 このフレームワークは、情報が意思決定に直接使用されることを保証するため、全体的な効果を最大化する。 具体的には、ASTERは、動的リソース条件下での長期的および短期的依存関係を適応的にキャプチャし、コンテキスト対応の時空間表現を生成する、Resource-aware Spatio-Temporal Interaction Module (RaST)を導入した。 動作可能な決定を直接生成するために、予測信号をリソース効率の高い介入戦略に変換する多目的強化学習に基づく優先度指向決定エージェント(Poda)を設計する。 4つのベンチマークデータセットによる実験結果は、6つの下流メトリクスの早期予測精度とリソース割り当て結果の両方を改善する上で、ASTERの最先端性能を示す。

関連論文リスト

• Intelligent Routing for Sparse Demand Forecasting: A Comparative Evaluation of Selection Strategies [0.6798775532273751]
  サプライチェーンにおける パースと断続的な需要予測は 重大な課題です 本稿では, モデルスパンニングフレームワークを提案し, モデルスパンニングの古典的, ML, DLメソッドを製品毎に選択する。 大規模なFavoritaデータセットの実験では、ディープラーニング(インセプションタイム)ルータが予測精度を最大11.8%向上している。
  論文  参考訳（メタデータ） (2025-06-04T03:09:45Z)
• Towards Human-like Preference Profiling in Sequential Recommendation [42.100841285901474]
  RecPOは、シーケンシャルなレコメンデーションのための優先順位最適化フレームワークである。 これは、推定された嗜好階層と時間信号に基づいて適応的な報酬マージンを利用する。 タイムリーな満足感、コヒーレントな嗜好の維持、変化する状況下での識別の行使など、人間の意思決定の重要な特徴を反映している。
  論文  参考訳（メタデータ） (2025-06-02T21:09:29Z)
• Online Decision-Focused Learning [63.83903681295497]
  意思決定中心学習(DFL)は、意思決定タスクで出力が使用される予測モデルを訓練するパラダイムとして、ますます人気が高まっている。 対象関数が時間とともに進化しない動的環境におけるDFLについて検討する。 決定空間が単純空間であるときと一般有界凸ポリトープであるときの両方において、期待される動的後悔の限界を確立する。
  論文  参考訳（メタデータ） (2025-05-19T10:40:30Z)
• 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)
• RLER-TTE: An Efficient and Effective Framework for En Route Travel Time Estimation with Reinforcement Learning [5.4674463400564886]
  En Route Travel Time Estimationは、走行経路から運転パターンを学習し、迅速かつ正確なリアルタイム予測を実現することを目的としている。 既存の手法は、実世界の交通システムの複雑さとダイナミズムを無視し、結果としてリアルタイムシナリオにおける効率と正確性に大きなギャップが生じる。 本稿では,ER-TTEの経路実装を再定義し,高効率かつ効率的な予測を行う新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-01-26T11:49:34Z)
• Prediction-Oriented Bayesian Active Learning [51.426960808684655]
  予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。 EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-04-17T10:59:57Z)
• Preference Enhanced Social Influence Modeling for Network-Aware Cascade Prediction [59.221668173521884]
  本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。 エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
  論文  参考訳（メタデータ） (2022-04-18T09:25:06Z)
• Domain-Adjusted Regression or: ERM May Already Learn Features Sufficient for Out-of-Distribution Generalization [52.7137956951533]
  既存の特徴から予測器を学習するためのよりシンプルな手法を考案することは、将来の研究にとって有望な方向である、と我々は主張する。 本稿では,線形予測器を学習するための凸目標である領域調整回帰(DARE)を紹介する。 自然モデルの下では、DARE解が制限されたテスト分布の集合に対する最小最適予測器であることを証明する。
  論文  参考訳（メタデータ） (2022-02-14T16:42:16Z)

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。