論文の概要: Quantum Annealing for Staff Scheduling in Educational Environments

• arxiv url: http://arxiv.org/abs/2510.12278v1
• Date: Tue, 14 Oct 2025 08:29:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.252372
• Title: Quantum Annealing for Staff Scheduling in Educational Environments
• Title（参考訳）: 教育環境におけるスタッフスケジューリングのための量子アニーリング
• Authors: Alessia Ciacco, Francesca Guerriero, Eneko Osaba,
• Abstract要約: 複数の学校サイトと教育レベルの協力者の組織化に生じる新たなスタッフ割り当て問題に対処する。 この問題は、イタリア、カラブリアの公立学校での実際のケーススタディから発生し、幼稚園、小学校、中学校にスタッフを分散させ、可用性、能力、公正さの制約を課す必要がある。
• 参考スコア（独自算出の注目度）: 0.13764085113103217
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We address a novel staff allocation problem that arises in the organization of collaborators among multiple school sites and educational levels. The problem emerges from a real case study in a public school in Calabria, Italy, where staff members must be distributed across kindergartens, primary, and secondary schools under constraints of availability, competencies, and fairness. To tackle this problem, we develop an optimization model and investigate a solution approach based on quantum annealing. Our computational experiments on real-world data show that quantum annealing is capable of producing balanced assignments in short runtimes. These results provide evidence of the practical applicability of quantum optimization methods in educational scheduling and, more broadly, in complex resource allocation tasks.
• Abstract（参考訳）: 複数の学校サイトと教育レベルの協力者の組織化に生じる新たなスタッフ割り当て問題に対処する。 この問題は、イタリア、カラブリアの公立学校での実際のケーススタディから発生し、幼稚園、小学校、中学校にスタッフを分散させ、可用性、能力、公正さの制約を課す必要がある。 この問題に対処するため,最適化モデルを開発し,量子アニールに基づく解法について検討する。 実世界のデータに対する計算実験により、量子アニールは短いランタイムでバランスの取れた割り当てを生成可能であることが示された。 これらの結果は、教育スケジューリングにおける量子最適化手法の実践的適用性を示し、より広範に、複雑なリソース割り当てタスクにおいて有効であることを示す。

関連論文リスト

• Causally Aligned Curriculum Learning [69.11672390876763]
  本稿では、因果レンズによるカリキュラムRLの問題について検討する。 因果的に整合したソースタスクを特徴付ける十分なグラフィカルな条件を導出する。 因果整合型カリキュラムを生成するための効率的なアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2025-03-21T02:20:38Z)
• Learning complexity gradually in quantum machine learning models [0.29998889086656577]
  トレーニングセット全体に対して情報的データポイントを優先するフレームワークを提案する。 情報的サンプルに選択的に焦点をあてることで、パラメータ空間のより好ましい領域に向けて最適化プロセスのステアリングを目指す。 この戦略は,量子機械学習モデルの性能向上に有効である可能性が示唆された。
  論文  参考訳（メタデータ） (2024-11-18T19:00:01Z)
• Quantum Curriculum Learning [0.0]
  本稿では,量子データのための量子カリキュラム学習(Q-CurL)というフレームワークを提案する。 Q-CurLは、より難しいタスクに進む前に、学習モデルに単純なタスクやデータを導入します。 実証的な証拠は、Q-CurLが一元学習の訓練収束と一般化を著しく促進することを示している。
  論文  参考訳（メタデータ） (2024-07-02T16:44:14Z)
• Predicting quantum learnability from landscape fluctuation [4.852613028421959]
  トレーニング容易性と表現可能性の衝突は、変分量子コンピューティングと量子機械学習における重要な課題である。 与えられた学習環境のゆらぎを学習可能な標準的な景観と比較することにより,学習可能性の簡易かつ効率的な指標を示す。 クリーフォードサンプリング(Clifford sample)は、量子デバイスを実際に訓練することなく、古典的なコンピュータ上で効率的に推定できる。
  論文  参考訳（メタデータ） (2024-06-17T17:50:47Z)
• Dynamic Inhomogeneous Quantum Resource Scheduling with Reinforcement Learning [17.229068960497273]
  量子情報科学と技術における中心的な課題は、量子システムのリアルタイム推定とフィードフォワード制御の実現である。 量子ビット対の自己アテンション機構を強調するトランスフォーマーモデルを用いた新しいフレームワークを提案する。 提案手法は量子システムの性能を著しく改善し,ルールベースエージェントよりも3ドル以上向上する。
  論文  参考訳（メタデータ） (2024-05-25T23:39:35Z)
• Understanding Curriculum Learning in Policy Optimization for Online Combinatorial Optimization [66.35750142827898]
  本稿では,オンラインCO問題に対するポリシー最適化手法に関する最初の体系的研究について述べる。 我々は、オンラインCO問題は、潜在マルコフ決定過程(LMDP)として自然に定式化でき、自然政策勾配(NPG)に収束することを示す。 さらに,本理論はカリキュラム学習の利点を解説し,強力なサンプリングポリシーを見出すことができ,流通シフトを低減できることを示した。
  論文  参考訳（メタデータ） (2022-02-11T03:17:15Z)
• Decentralized Personalized Federated Learning for Min-Max Problems [79.61785798152529]
  本稿では,より広い範囲の最適化問題を含むサドル点問題に対して,PFLを初めて検討した。 この問題に対処するための新しいアルゴリズムを提案し、滑らかな(強く)凸-(強く)凹点問題を理論的に解析する。 両線形問題に対する数値実験と, 対向雑音を有するニューラルネットワークは, 提案手法の有効性を実証する。
  論文  参考訳（メタデータ） (2021-06-14T10:36:25Z)
• Quantum communication complexity beyond Bell nonlocality [87.70068711362255]
  効率的な分散コンピューティングは、リソース要求タスクを解決するためのスケーラブルな戦略を提供する。 量子リソースはこのタスクに適しており、古典的手法よりも優れた明確な戦略を提供する。 我々は,ベルのような不等式に,新たなコミュニケーション複雑性タスクのクラスを関連付けることができることを証明した。
  論文  参考訳（メタデータ） (2021-06-11T18:00:09Z)

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。