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

• arxiv url: http://arxiv.org/abs/2511.07938v2
• Date: Fri, 14 Nov 2025 01:24:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-14 13:23:30.615004
• Title: Predict-then-Optimize 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-then-Optimize: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。 予測モデルのトレーニングを下流の意思決定結果と整合させる決定中心の学習法が提案されている。 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。
• 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 the decision quality of forecasts, decision-focused learning has been proposed, which aligns the training of forecasting models with downstream decision outcomes. However, this end-to-end design inherently restricts the value of forecasting models to only a specific task structure, and thus generalize poorly to evolving tasks 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 across a varying tasks stream with a sustainable long-term computational burden. 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。 予測の質を高めるために,予測モデルのトレーニングと下流の意思決定結果との整合性を考慮した意思決定型学習が提案されている。 しかし、このエンドツーエンドの設計は本質的には特定のタスク構造のみに予測モデルの価値を制限しているため、様々な船舶の到着によって引き起こされる進化的タスクにはあまり一般化しない。 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,長期的計算負荷を伴う様々なタスクストリームにまたがる意思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

• 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)
• 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)
• 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。