論文の概要: From Small to Large: A Graph Convolutional Network Approach for Solving Assortment Optimization Problems
- arxiv url: http://arxiv.org/abs/2507.10834v1
- Date: Mon, 14 Jul 2025 22:04:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-07-16 19:46:02.902339
- Title: From Small to Large: A Graph Convolutional Network Approach for Solving Assortment Optimization Problems
- Title（参考訳）: グラフ畳み込みネットワークによる配置最適化問題の解法
- Authors: Guokai Li, Pin Gao, Stefanus Jasin, Zizhuo Wang,
- Abstract要約: 本研究では,制約付きアソシエーション最適化問題のグラフ表現を開発する。
次に、最適品揃えのパターンを学ぶためにグラフ畳み込みネットワークを訓練する。
本稿ではGCNの出力に基づく2つの推論ポリシーを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Assortment optimization involves selecting a subset of substitutable products (subject to certain constraints) to maximize the expected revenue. It is a classic problem in revenue management and finds applications across various industries. However, the problem is usually NP-hard due to its combinatorial and non-linear nature. In this work, we explore how graph concolutional networks (GCNs) can be leveraged to efficiently solve constrained assortment optimization under the mixed multinomial logit choice model. We first develop a graph representation of the assortment problem, then train a GCN to learn the patterns of optimal assortments, and lastly propose two inference policies based on the GCN's output. Due to the GCN's inherent ability to generalize across inputs of varying sizes, we can use a GCN trained on small-scale instances to facilitate large-scale instances. Extensive numerical experiments demonstrate that given a GCN trained on small-scale instances (e.g., with 20 products), the proposed policies can achieve superior performance (90%+ optimality) on large-scale instances (with up to 2,000 products) within seconds, which outperform existing heuristic policies in both performance and efficiency. Furthermore, we extend our framework to a model-free setting where the underlying choice model is unknown but transaction data is available. We also conduct numerical experiments to demonstrate the effectiveness and efficiency of our proposed policies in this setting.
- Abstract（参考訳）: アソート最適化は、期待される収益を最大化するために、置換可能な製品のサブセット(一定の制約に従わなければならない)を選択することを含む。
これは収益管理における古典的な問題であり、様々な産業で応用されている。
しかしながら、この問題は、その組合せ性や非線形性のため、通常NPハードである。
本研究では,混在多項ロジット選択モデルの下で,GCN(Graph Concolutional Network)を用いて制約付きアソート最適化を効率的に解く方法について検討する。
本稿ではまず,まずアソーション問題のグラフ表現を開発し,次にGCNを訓練して最適なアソーションのパターンを学習し,最後にGCNの出力に基づいて2つの推論ポリシーを提案する。
さまざまなサイズの入力を一般化するGCN固有の能力のため、小規模インスタンスでトレーニングされたGCNを使用して、大規模インスタンスを容易にすることができる。
大規模な数値実験により、小規模インスタンス(20製品)で訓練されたGCNが与えられた場合、提案されたポリシーは、大規模インスタンス(最大2,000製品)において、パフォーマンスと効率の両方において既存のヒューリスティックポリシーよりも優れたパフォーマンス(90%以上の最適性)を達成することができることを示した。
さらに、我々のフレームワークを、基礎となる選択モデルが未知の、トランザクションデータが利用可能なモデルフリー設定に拡張する。
また,提案手法の有効性と有効性を示す数値実験を行った。
関連論文リスト
- Generative Diffusion Models for Resource Allocation in Wireless Networks [77.36145730415045]
我々は、専門家を模倣し、最適な分布から新しいサンプルを生成するポリシーを訓練する。
生成したサンプルの逐次実行により,ほぼ最適性能を実現する。
電力制御のケーススタディにおいて数値的な結果を示す。
論文 参考訳（メタデータ） (2025-04-28T21:44:31Z) - GDSG: Graph Diffusion-based Solution Generator for Optimization Problems in MEC Networks [109.17835015018532]
グラフ拡散型ソリューション生成(GDSG)法を提案する。
このアプローチは、おそらく最適な解に収束しながら、最適以下のデータセットを扱うように設計されている。
グラフニューラルネットワーク(GNN)を用いたマルチタスク拡散モデルとしてGDSGを構築し,高品質な解の分布を求める。
論文 参考訳（メタデータ） (2024-12-11T11:13:43Z) - Decision-focused Graph Neural Networks for Combinatorial Optimization [62.34623670845006]
最適化問題に取り組むための新たな戦略は、従来のアルゴリズムに代わるグラフニューラルネットワーク(GNN)の採用である。
GNNや従来のアルゴリズムソルバがCOの領域で人気が高まっているにもかかわらず、それらの統合利用とエンドツーエンドフレームワークにおけるそれらの相関について限定的な研究がなされている。
我々は、GNNを利用してCO問題に補助的なサポートで対処する決定に焦点を当てたフレームワークを導入する。
論文 参考訳（メタデータ） (2024-06-05T22:52:27Z) - Multi-Objective Optimization for Sparse Deep Multi-Task Learning [0.0]
重み付きチェビシェフスキャラライゼーションを用いたディープニューラルネットワーク(DNN)のトレーニングのための多目的最適化アルゴリズムを提案する。
本研究の目的は,DNNモデルの持続可能性問題,特にDeep Multi-Taskモデルに焦点をあてることである。
論文 参考訳（メタデータ） (2023-08-23T16:42:27Z) - Let the Flows Tell: Solving Graph Combinatorial Optimization Problems
with GFlowNets [86.43523688236077]
組合せ最適化(CO)問題はしばしばNPハードであり、正確なアルゴリズムには及ばない。
GFlowNetsは、複合非正規化密度を逐次サンプリングする強力な機械として登場した。
本稿では,異なる問題に対してマルコフ決定プロセス(MDP)を設計し,条件付きGFlowNetを学習して解空間からサンプルを作成することを提案する。
論文 参考訳（メタデータ） (2023-05-26T15:13:09Z) - Symmetric Tensor Networks for Generative Modeling and Constrained
Combinatorial Optimization [72.41480594026815]
ポートフォリオ最適化からロジスティクスに至るまで、制約付き最適化問題は業界に多い。
これらの問題の解決における主要な障害の1つは、有効な検索空間を制限する非自明なハード制約の存在である。
本研究では、Ax=bという形の任意の整数値等式制約をU(1)対称ネットワーク(TN)に直接エンコードし、それらの適用性を量子に着想を得た生成モデルとして活用する。
論文 参考訳（メタデータ） (2022-11-16T18:59:54Z) - Towards Optimization and Model Selection for Domain Generalization: A
Mixup-guided Solution [43.292274574847234]
そこで本研究では,ドメイン一般化のためのMixupガイドによる最適化と選択手法を提案する。
最適化のために、好みの方向を導出するアウト・オブ・ディストリビューション・データセットを利用する。
モデル選択のために、ターゲット分布に近づいた検証データセットを生成する。
論文 参考訳（メタデータ） (2022-09-01T02:18:00Z) - Data-informed Deep Optimization [3.331457049134526]
本稿では,データインフォームド・ディープ・最適化(DiDo)による高次元設計問題の解法を提案する。
我々は、ディープニューラルネットワーク(DNN)を用いて、実現可能な領域を学習し、目的関数に適合する実行可能なポイントをサンプリングする。
以上の結果から,DNN による DiDo のアプローチは柔軟で,現実的な高次元設計問題の解決に有効であることが示唆された。
論文 参考訳（メタデータ） (2021-07-17T02:53:54Z) - Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。
複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。
本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
論文 参考訳（メタデータ） (2020-06-26T17:03:06Z) - Simultaneous Decision Making for Stochastic Multi-echelon Inventory
Optimization with Deep Neural Networks as Decision Makers [0.7614628596146599]
本稿では、ディープニューラルネットワーク(DNN)を用いて、複雑なマルチエケロンサプライチェーンの在庫決定を最適化するフレームワークを提案する。
本手法は,組立ノードと配電ノードの両方を含む一般的なトポロジを含む,多種多様なサプライチェーンネットワークに適している。
論文 参考訳（メタデータ） (2020-06-10T02:02:52Z)
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。