論文の概要: Online Complexity Estimation for Repetitive Scenario Design

• arxiv url: http://arxiv.org/abs/2509.02103v2
• Date: Fri, 05 Sep 2025 09:42:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-08 12:28:42.57449
• Title: Online Complexity Estimation for Repetitive Scenario Design
• Title（参考訳）: 反復シナリオ設計のためのオンライン複雑度推定
• Authors: Guillaume O. Berger, Raphaël M. Jungers,
• Abstract要約: シナリオ問題を繰り返し解決しなければならない繰り返し設計シナリオの問題を考察する。 そこで本研究では,従来のシナリオにおけるpdfに基づいて,ハエのサンプルサイズを推定する手法を提案する。 固定複雑性シナリオ問題のクラスに対して最適なサンプルサイズを求めるために,提案手法の健全性と収束性を証明した。
• 参考スコア（独自算出の注目度）: 1.2031796234206136
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the problem of repetitive scenario design where one has to solve repeatedly a scenario design problem and can adjust the sample size (number of scenarios) to obtain a desired level of risk (constraint violation probability). We propose an approach to learn on the fly the optimal sample size based on observed data consisting in previous scenario solutions and their risk level. Our approach consists in learning a function that represents the pdf (probability density function) of the risk as a function of the sample size. Once this function is known, retrieving the optimal sample size is straightforward. We prove the soundness and convergence of our approach to obtain the optimal sample size for the class of fixed-complexity scenario problems, which generalizes fully-supported convex scenario programs that have been studied extensively in the scenario optimization literature. We also demonstrate the practical efficiency of our approach on a series of challenging repetitive scenario design problems, including non-fixed-complexity problems, nonconvex constraints and time-varying distributions.
• Abstract（参考訳）: シナリオ設計問題を繰り返し解決し、サンプルサイズ(シナリオ数)を調整して所望のリスクレベル(制約違反確率)を得る反復シナリオ設計の問題を考える。 本稿では,過去のシナリオソリューションとリスクレベルからなる観測データに基づいて,最適なサンプルサイズをフライで学習する手法を提案する。 提案手法は,リスクのpdf(確率密度関数)を標本サイズの関数として表す関数を学習することである。 この関数が知られていると、最適なサンプルサイズを取得することは簡単である。 シナリオ最適化の文献で広く研究されている完全支援凸シナリオプログラムを一般化した,固定複雑シナリオ問題のクラスに対する最適なサンプルサイズを得るための,提案手法の健全性と収束性を証明する。 また,非固定複雑度問題,非凸制約,時間変化分布など,一連の難解なシナリオ設計問題に対して,本手法の有効性を実証する。

関連論文リスト

• Generalization Bounds of Surrogate Policies for Combinatorial Optimization Problems [61.580419063416734]
  最近の構造化学習手法のストリームは、様々な最適化問題に対する技術の実践的状態を改善している。 鍵となる考え方は、インスタンスを別々に扱うのではなく、インスタンス上の統計分布を利用することだ。 本稿では,最適化を容易にし,一般化誤差を改善するポリシを摂動することでリスクを円滑にする手法について検討する。
  論文  参考訳（メタデータ） (2024-07-24T12:00:30Z)
• Randomized algorithms and PAC bounds for inverse reinforcement learning in continuous spaces [47.907236421762626]
  本研究は、連続状態と作用空間を持つ離散時間割引マルコフ決定過程を研究する。 まず、専門家の政策全体にアクセスでき、逆問題に対する解決策の集合を特徴づけるケースについて考察する。
  論文  参考訳（メタデータ） (2024-05-24T12:53:07Z)
• Experiment Planning with Function Approximation [49.50254688629728]
  本研究では,文脈的帯域幅問題における関数近似を用いた実験計画の問題点について検討する。 本稿では,関数近似に適合する2つの実験計画戦略を提案する。 そこで, 均一サンプリング器は, 動作数が少ない設定において, 競合最適性を達成できることを示す。
  論文  参考訳（メタデータ） (2024-01-10T14:40:23Z)
• Optimal Multi-Distribution Learning [88.3008613028333]
  マルチディストリビューション学習は、$k$の異なるデータ分散における最悪のリスクを最小限に抑える共有モデルを学ぶことを目指している。 本稿では, (d+k)/varepsilon2の順に, サンプルの複雑さを伴って, ヴァレプシロン最適ランダム化仮説を導出するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-12-08T16:06:29Z)
• Margin theory for the scenario-based approach to robust optimization in high dimension [0.0]
  本稿では、ロバストな最適化のためのシナリオアプローチを扱う。 これは、問題の不確実性によって引き起こされる可能性のある無限個の制約のランダムサンプリングに依存する。
  論文  参考訳（メタデータ） (2023-03-07T13:33:46Z)
• 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)
• Runtime Analysis of Single- and Multi-Objective Evolutionary Algorithms for Chance Constrained Optimization Problems with Normally Distributed Random Variables [11.310502327308575]
  独立して通常は分散しているコンポーネントのシナリオについて研究する。 期待されるコストとその分散をトレードオフする問題を多目的に定式化する。 また,本手法は,木に散らばった最小限の問題に対して最適解の集合を計算するためにも有効であることを示す。
  論文  参考訳（メタデータ） (2021-09-13T09:24:23Z)
• Stochastic Saddle-Point Optimization for Wasserstein Barycenters [69.68068088508505]
  オンラインデータストリームによって生成される有限個の点からなるランダムな確率測度に対する人口推定バリセンタ問題を考察する。 本稿では,この問題の構造を用いて,凸凹型サドル点再構成を行う。 ランダム確率測度の分布が離散的な場合、最適化アルゴリズムを提案し、その複雑性を推定する。
  論文  参考訳（メタデータ） (2020-06-11T19:40:38Z)
• The Simulator: Understanding Adaptive Sampling in the Moderate-Confidence Regime [52.38455827779212]
  エミュレータと呼ばれる適応サンプリングを解析するための新しい手法を提案する。 適切なログファクタを組み込んだトップk問題の最初のインスタンスベースの下位境界を証明します。 我々の新しい分析は、後者の問題に対するこの種の最初のエミュレータであるベストアームとトップkの識別に、シンプルでほぼ最適であることを示した。
  論文  参考訳（メタデータ） (2017-02-16T23:42:02Z)

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。