論文の概要: Robust Dynamic Staffing with Predictions

• arxiv url: http://arxiv.org/abs/2510.16663v1
• Date: Sat, 18 Oct 2025 23:19:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.087238
• Title: Robust Dynamic Staffing with Predictions
• Title（参考訳）: 予測によるロバストなダイナミックスタッキング
• Authors: Yiding Feng, Vahideh Manshadi, Rad Niazadeh, Saba Neyshabouri,
• Abstract要約: 意思決定者が労働者を逐次雇って、最後に明らかになった未知の要求を満たすという、自然なダイナミックな人材育成問題について検討する。 需要予測は時間とともに到着し、より正確になる一方、労働者の可用性は低下する。 これにより、過給を避けるために早期雇用と過給を避けるために遅滞雇用の間に根本的なトレードオフが生じます。
• 参考スコア（独自算出の注目度）: 2.005425735442993
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider a natural dynamic staffing problem in which a decision-maker sequentially hires workers over a finite horizon to meet an unknown demand revealed at the end. Predictions about demand arrive over time and become increasingly accurate, while worker availability decreases. This creates a fundamental trade-off between hiring early to avoid understaffing (when workers are more available but forecasts are less reliable) and hiring late to avoid overstaffing (when forecasts are more accurate but availability is lower). This problem is motivated by last-mile delivery operations, where companies such as Amazon rely on gig-economy workers whose availability declines closer to the operating day. To address practical limitations of Bayesian models (in particular, to remain agnostic to the underlying forecasting method), we study this problem under adversarial predictions. In this model, sequential predictions are adversarially chosen uncertainty intervals that (approximately) contain the true demand. The objective is to minimize worst-case staffing imbalance cost. Our main result is a simple and computationally efficient online algorithm that is minimax optimal. We first characterize the minimax cost against a restricted adversary via a polynomial-size linear program, then show how to emulate this solution in the general case. While our base model focuses on a single demand, we extend the framework to multiple demands (with egalitarian/utilitarian objectives), to settings with costly reversals of hiring decisions, and to inconsistent prediction intervals. We also introduce a practical "re-solving" variant of our algorithm, which we prove is also minimax optimal. Finally we conduct numerical experiments showing that our algorithms outperform Bayesian heuristics in both cost and speed, and are competitive with (approximate or exact) Bayesian-optimal policies when those can be computed.
• Abstract（参考訳）: 意思決定者が有限の地平線上で労働者を順次雇用し、最後に明らかになった未知の要求を満たすという、自然なダイナミックな人材配置問題を考える。 需要予測は時間とともに到着し、より正確になる一方、労働者の可用性は低下する。 これは、過給を避けるために雇用を早期に(労働者がもっと利用できるが、予測は信頼性が低い)、過給を避けるために採用が遅れる(予測がより正確だが、可用性は低い)という根本的なトレードオフを生み出します。 この問題は、Amazonなどの企業がギグエコノミー労働者に頼り、運用日近くで可用性が低下する、ラストマイル配達の運用によって動機付けられている。 ベイズモデルの実用的限界(特に、基礎となる予測法に従わないために)に対処するために、この問題を逆予測の下で研究する。 このモデルでは、逐次予測は真需要を含む(ほぼ)不確実区間として逆選択される。 その目的は、最悪の従業員の不均衡コストを最小限に抑えることである。 我々の主な成果は、最小限最適である単純で効率的なオンラインアルゴリズムである。 まず、多項式サイズの線形プログラムを用いて制限された逆数に対してミニマックスコストを特徴づけ、一般の場合においてこの解をエミュレートする方法を示す。 基本モデルは単一要求に焦点をあてる一方で、フレームワークを複数の要求(平等主義的/実用的目的)に拡張し、採用決定のコストのかかる逆転による設定、一貫性のない予測間隔に拡張します。 また,本アルゴリズムの実用的「再解法」変種を導入し,最小限の最適性も証明した。 最後に、我々のアルゴリズムは、コストと速度の両方でベイズ的ヒューリスティックよりも優れており、計算可能なベイズ的最適ポリシーと(近似的あるいは正確に)競合していることを示す数値実験を行う。

関連論文リスト

• Best of Many in Both Worlds: Online Resource Allocation with Predictions under Unknown Arrival Model [16.466711636334587]
  オンライン意思決定者は、到着や要求など、将来の変数に関する予測を得ることが多い。 意思決定者にとって予測精度は未知であるため、予測に盲目的に追従することは有害である。 我々は未知の予測精度に頑健な方法で予測を利用するアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-02-21T04:57:32Z)
• Loss Shaping Constraints for Long-Term Time Series Forecasting [79.3533114027664]
  本稿では,長期時系列予測のための制約付き学習手法を提案する。 提案手法は, 予測ウィンドウ上でエラーを発生させながら, 時系列ベンチマークにおける競合平均性能を示すことを示すための, 実用的なプリマル・デュアルアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-14T18:20:44Z)
• Zero-Regret Performative Prediction Under Inequality Constraints [5.513958040574729]
  本稿では不等式制約下での性能予測について検討する。 我々は,ある程度の精度しか必要としない頑健な原始双対フレームワークを開発する。 次に、位置ファミリに対する適応的原始双対アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-22T04:54:26Z)
• Minimalistic Predictions to Schedule Jobs with Online Precedence Constraints [117.8317521974783]
  オンライン優先制約による非サーボ的スケジューリングについて検討する。 アルゴリズムは、任意のジョブ依存に偏りがなく、前任者がすべて完了した場合に限り、ジョブについて学習する。
  論文  参考訳（メタデータ） (2023-01-30T13:17:15Z)
• Non-Clairvoyant Scheduling with Predictions Revisited [77.86290991564829]
  非論理的スケジューリングでは、優先度不明な処理条件でジョブをスケジューリングするためのオンライン戦略を見つけることが課題である。 我々はこのよく研究された問題を、アルゴリズム設計に(信頼できない)予測を統合する、最近人気の高い学習強化された設定で再検討する。 これらの予測には所望の特性があり, 高い性能保証を有するアルゴリズムと同様に, 自然な誤差測定が可能であることを示す。
  論文  参考訳（メタデータ） (2022-02-21T13:18:11Z)
• Navigating to the Best Policy in Markov Decision Processes [68.8204255655161]
  マルコフ決定過程における純粋探索問題について検討する。 エージェントはアクションを逐次選択し、結果のシステム軌道から可能な限り早くベストを目標とする。
  論文  参考訳（メタデータ） (2021-06-05T09:16:28Z)
• Learning to Schedule [3.5408022972081685]
  本稿では,ジョブが生み出す累積保持コストを最小限に抑えるための学習・スケジューリングアルゴリズムを提案する。 各タイムスロットにおいて、サーバはシステムに残されているジョブのランダム保持コストを受信しながらジョブを処理できる。
  論文  参考訳（メタデータ） (2021-05-28T08:04:06Z)
• Optimal Robustness-Consistency Trade-offs for Learning-Augmented Online Algorithms [85.97516436641533]
  機械学習予測を取り入れたオンラインアルゴリズムの性能向上の課題について検討する。 目標は、一貫性と堅牢性の両方を備えたアルゴリズムを設計することだ。 機械学習予測を用いた競合解析のための非自明な下界の最初のセットを提供する。
  論文  参考訳（メタデータ） (2020-10-22T04:51:01Z)

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。