論文の概要: Predict-then-Optimize Method for Seaport Power-Logistics Scheduling: Generalization across Varying Tasks Stream

• arxiv url: http://arxiv.org/abs/2511.07938v1
• Date: Wed, 12 Nov 2025 01:29:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.556998
• Title: Predict-then-Optimize Method for Seaport Power-Logistics Scheduling: Generalization across Varying Tasks Stream
• Title（参考訳）: 海運電力ロジスティックススケジューリングの予測-その最適化法:Varying Tasks Streamにおける一般化
• Authors: Chuanqing Pu, Feilong Fan, Nengling Tai, Yan Xu, Wentao Huang, Honglin Wen,
• Abstract要約: 現代の海港におけるパワーロジスティクスのスケジューリングは、予測に最適化されたパイプラインに従うのが一般的である。 我々は、クロスタスクの一般化を強化するために、フィッシャー情報に基づく正規化を導入する。 また、勾配のバックプロパゲーションを安定化させるために、微分可能な凸状サロゲートも開発されている。
• 参考スコア（独自算出の注目度）: 5.75432978300135
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Power-logistics scheduling in modern seaports typically follow a predict-then-optimize pipeline. To enhance decision quality, decision-focused learning has been proposed to align forecasting and optimization via end-to-end training. However, most formulations assume a fixed task configuration in downstream optimization, and thus generalize poorly to evolving task structures induced by varying seaport vessel arrivals. We address this gap with a decision-focused continual learning framework that adapts online to a stream of scheduling tasks. Specifically, we introduce Fisher information based regularization to enhance cross-task generalization by preserving parameters critical to prior tasks. A differentiable convex surrogate is also developed to stabilize gradient backpropagation. The proposed approach enables learning a decision-aligned forecasting model for new scheduling tasks while retaining generalization on earlier tasks. Experiments calibrated to the Jurong Port demonstrate superior decision performance and generalization over existing methods with reduced computational cost.
• Abstract（参考訳）: 現代の海港におけるパワーロジスティクスのスケジューリングは、予測に最適化されたパイプラインに従うのが一般的である。 意思決定の質を高めるために、予測と最適化をエンドツーエンドのトレーニングで調整するために、意思決定中心の学習が提案されている。 しかし、多くの定式化は下流最適化において一定のタスク構成を前提としており、したがって様々な船舶到着によって引き起こされるタスク構造への一般化が不十分である。 このギャップを、オンラインのスケジューリングタスクのストリームに適応する意思決定中心の継続的学習フレームワークで解決する。 具体的には,従来のタスクにクリティカルなパラメータを保存することで,クロスタスクの一般化を促進するために,フィッシャー情報に基づく正規化を導入する。 また、勾配のバックプロパゲーションを安定化させるために、微分可能な凸状サロゲートも開発されている。 提案手法は,従来のタスクの一般化を維持しつつ,新しいスケジューリングタスクに対する決定整合予測モデルを学習することを可能にする。 Jurong Portに校正された実験は、計算コストを削減した既存の手法よりも優れた決定性能と一般化を示す。

関連論文リスト

• Compositional Planning with Jumpy World Models [70.74595987225908]
  我々は、事前訓練されたポリシーを構成するエージェントを時間的に拡張したアクションとして研究し、構成員だけでは解決できない複雑なタスクに対する解決を可能にする。 arXiv:2206.08736で導入された幾何学的ポリシー構成フレームワークをモチベーションとして,多段階力学の予測モデルを学習することにより,これらの課題に対処する。
  論文  参考訳（メタデータ） (2026-02-23T09:22:21Z)
• Decision-Focused Sequential Experimental Design: A Directional Uncertainty-Guided Approach [4.637632607868282]
  予測テーマ最適化設定では、予測誤差ではなく、下流最適化によって誘導される決定損失に基づいて性能を評価する。 この予測精度と判断損失のミスマッチは、従来の意思決定設計を非効率にする。 方向性の不確実性に基づく設計は、決定盲点設計よりも早く停止時間が得られることを示す。
  論文  参考訳（メタデータ） (2026-02-05T06:06:07Z)
• Position: Beyond Model-Centric Prediction -- Agentic Time Series Forecasting [49.05788441962762]
  エージェント時系列予測(ATSF)は,認識,計画,行動,反射,記憶からなるエージェントプロセスとして再編成される。 ワークフローに基づく設計、エージェント強化学習、ハイブリッドエージェントワークフローパラダイムという3つの代表的な実装パラダイムを概説し、モデル中心の予測からエージェント予測に移行する際に生じる機会と課題について議論する。
  論文  参考訳（メタデータ） (2026-02-02T08:01:11Z)
• Flow Density Control: Generative Optimization Beyond Entropy-Regularized Fine-Tuning [59.11663802446183]
  フローおよび拡散生成モデルは、事前情報を保持しながらタスク固有の目的を最適化するために適応することができる。 本研究では,フロー密度制御(FDC)を導入し,複雑な問題をより単純な微調整タスクの特定のシーケンスに還元する。 我々は,近年のミラーフローの理解を活用して,現実的な仮定の下で提案されたスキームの収束保証を導出する。
  論文  参考訳（メタデータ） (2025-11-27T17:19:01Z)
• Adaptive Conformal Prediction Intervals Over Trajectory Ensembles [50.31074512684758]
  将来の軌道は、自律運転、ハリケーン予測、疫病モデルといった領域で重要な役割を果たしている。 本稿では,サンプル軌道を理論的カバレッジ保証付き校正された予測区間に変換する共形予測に基づく統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-18T21:14:07Z)
• ASTER: Adaptive Spatio-Temporal Early Decision Model for Dynamic Resource Allocation [9.870286663826253]
  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。
  論文  参考訳（メタデータ） (2025-06-22T07:49:37Z)
• Decision-Focused Fine-Tuning of Time Series Foundation Models for Dispatchable Feeder Optimization [0.5808168734833972]
  我々は、時系列基礎モデルにおける決定中心の微調整を用いて、ディスパッチ可能なフィードア最適化問題に対するスケーラブルで効率的なソリューションを提供する。 少ない建築データに対するより堅牢な予測を得るために,モイライを最先端の基礎モデルとして用いている。 意思決定に焦点を絞ったモイライと最先端の古典的な予測に焦点をあてたモイライを比較すると、平均的な日費の9.45%の改善が観察できる。
  論文  参考訳（メタデータ） (2025-03-03T07:47:20Z)
• Confidence-Aware Deep Learning for Load Plan Adjustments in the Parcel Service Industry [13.121155604809372]
  本研究では,大規模輸送物流企業におけるインバウンド負荷計画調整を自動化するためのディープラーニングに基づくアプローチを開発する。 これは、不確実性が増大する中で、効率よくレジリエントなEコマース事業計画のための重要な課題に対処する。
  論文  参考訳（メタデータ） (2024-11-26T15:13:13Z)
• Enhancing Robustness of Vision-Language Models through Orthogonality Learning and Self-Regularization [77.62516752323207]
  そこで本研究では,事前訓練した重みを効率よく微調整する直交微調整法を導入し,頑健さと一般化の強化を実現した。 自己正規化戦略は、OrthSRと呼ばれるVLMのゼロショット一般化の観点から安定性を維持するためにさらに活用される。 筆者らはCLIPとCoOpを再検討し,少数の画像のクラスフィシエーションシナリオにおけるモデルの改善を効果的に行う。
  論文  参考訳（メタデータ） (2024-07-11T10:35:53Z)
• Design and Scheduling of an AI-based Queueing System [12.763457245603824]
  本稿では,ジョブのクラスを予測モデルを用いて推定する大規模キューシステムについて考察する。 交通渋滞における誤予測が混雑コストに与える影響を特徴付けることにより,予測されたクラス情報をほぼ最適に組み込んだインデックスベースのポリシーを設計する。
  論文  参考訳（メタデータ） (2024-06-11T00:01:42Z)
• Consciousness-Inspired Spatio-Temporal Abstractions for Better Generalization in Reinforcement Learning [83.41487567765871]
  Skipperはモデルベースの強化学習フレームワークである。 これは、与えられたタスクをより小さく、より管理しやすいサブタスクに自動的に一般化する。 環境の関連部分には、スパースな意思決定と集中した抽象化を可能にする。
  論文  参考訳（メタデータ） (2023-09-30T02:25:18Z)
• Optimization-based Learning for Dynamic Load Planning in Trucking Service Networks [14.972807276002465]
  本稿では,フローと負荷計画の課題を共同で検討するアウトバウンド負荷計画問題(OLPP)について考察する。 本研究の目的は,ネットワーク上の端末で意思決定を行う計画立案者に対して,意思決定支援ツールを開発することである。
  論文  参考訳（メタデータ） (2023-07-08T21:28:20Z)
• Integrated Optimization of Predictive and Prescriptive Tasks [0.0]
  予測タスクを記述タスクとして直接統合する新しいフレームワークを提案する。 予測アルゴリズムのパラメータを2レベル最適化技術により、処方問題内でトレーニングします。
  論文  参考訳（メタデータ） (2021-01-02T02:43:10Z)
• Forethought and Hindsight in Credit Assignment [62.05690959741223]
  我々は、前向きモデルや後向きモデルによる後向き操作による予測として使われる計画の利益と特異性を理解するために活動する。 本稿では,予測を(再)評価すべき状態の選択に主眼を置いて,計画におけるモデルの利用について検討する。
  論文  参考訳（メタデータ） (2020-10-26T16:00:47Z)
• Stochastic batch size for adaptive regularization in deep network optimization [63.68104397173262]
  ディープラーニングフレームワークにおける機械学習問題に適用可能な適応正規化を取り入れた一階最適化アルゴリズムを提案する。 一般的なベンチマークデータセットに適用した従来のネットワークモデルに基づく画像分類タスクを用いて,提案アルゴリズムの有効性を実証的に実証した。
  論文  参考訳（メタデータ） (2020-04-14T07:54:53Z)

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。