論文の概要: Contextual Strongly Convex Simulation Optimization: Optimize then Predict with Inexact Solutions
- arxiv url: http://arxiv.org/abs/2512.06270v1
- Date: Sat, 06 Dec 2025 03:47:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-09 22:03:54.277036
- Title: Contextual Strongly Convex Simulation Optimization: Optimize then Predict with Inexact Solutions
- Title（参考訳）: コンテキスト強い凸シミュレーション最適化:不正確な解で予測を最適化する
- Authors: Nifei Lin, Heng Luo, L. Jeff Hong,
- Abstract要約: 我々は,強い凸シミュレーションの最適化について検討し,リアルタイム意思決定に最適なOTP(Optimize then predict)アプローチを採用する。
中心となる理論的課題は、シミュレーション最適化アルゴリズムが生成する解が最適性ギャップにどのように影響するかを理解することである。
- 参考スコア（独自算出の注目度）: 0.9303501974597549
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this work, we study contextual strongly convex simulation optimization and adopt an "optimize then predict" (OTP) approach for real-time decision making. In the offline stage, simulation optimization is conducted across a set of covariates to approximate the optimal-solution function; in the online stage, decisions are obtained by evaluating this approximation at the observed covariate. The central theoretical challenge is to understand how the inexactness of solutions generated by simulation-optimization algorithms affects the optimality gap, which is overlooked in existing studies. To address this, we develop a unified analysis framework that explicitly accounts for both solution bias and variance. Using Polyak-Ruppert averaging SGD as an illustrative simulation-optimization algorithm, we analyze the optimality gap of OTP under four representative smoothing techniques: $k$ nearest neighbor, kernel smoothing, linear regression, and kernel ridge regression. We establish convergence rates, derive the optimal allocation of the computational budget $Γ$ between the number of design covariates and the per-covariate simulation effort, and demonstrate the convergence rate can approximately achieve $Γ^{-1}$ under appropriate smoothing technique and sample-allocation rule. Finally, through a numerical study, we validate the theoretical findings and demonstrate the effectiveness and practical value of the proposed approach.
- Abstract（参考訳）: 本研究では,文脈的凸シミュレーションの最適化について検討し,リアルタイム意思決定に最適なOTP(Optimize then predict)アプローチを採用する。
オフラインの段階では、最適解関数を近似するために一連の共変量に対してシミュレーション最適化を行い、オンラインの段階では、この近似を観測された共変量で評価することで決定する。
中心的な理論的課題は、シミュレーション最適化アルゴリズムによって生成される解の不完全性が、既存の研究で見過ごされている最適性ギャップにどのように影響するかを理解することである。
そこで我々は,解のバイアスと分散の両方を明示的に考慮した統合分析フレームワークを開発した。
実測シミュレーション最適化アルゴリズムとしてPolyak-Ruppert平均化SGDを用いて,OTPの最適性ギャップを4つの代表的スムースティング手法($k$近辺,カーネルスムースティング,線形回帰,カーネルリッジ回帰)で解析する。
我々は収束率を確立し、設計共変量数と共変量ごとのシミュレーション作業の間の計算予算の最適な配分を導出し、適切な平滑化手法とサンプル配置規則の下で、収束率をおよそ$ ^{-1}$にすることができることを実証する。
最後に, 理論的知見を検証し, 提案手法の有効性と実用性を示す。
関連論文リスト
- An Experimental Approach for Running-Time Estimation of Multi-objective Evolutionary Algorithms in Numerical Optimization [16.66619776655723]
アルゴリズムを使わずにMOEAの走行時間上界を推定する実験手法を提案する。
ZDTおよびDTLZベンチマークスイートを用いて,5つの代表MOEAについて総合的な実験を行った。
その結果,アルゴリズムや問題を単純化することなく,走行時間における上限を推定する手法の有効性が示された。
論文 参考訳（メタデータ） (2025-07-03T07:06:14Z) - Scalable Min-Max Optimization via Primal-Dual Exact Pareto Optimization [66.51747366239299]
拡張ラグランジアンに基づくmin-max問題のスムーズな変種を提案する。
提案アルゴリズムは, 段階的戦略よりも目的数で拡張性が高い。
論文 参考訳（メタデータ） (2025-03-16T11:05:51Z) - Federated Conditional Stochastic Optimization [110.513884892319]
条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。
本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-04T01:47:37Z) - Efficient Learning for Selecting Top-m Context-Dependent Designs [0.7646713951724012]
文脈に依存した意思決定のためのシミュレーション最適化問題を考察する。
本研究では,各デザインの性能を各コンテキスト下で効率的に学習するためのシーケンシャルサンプリングポリシーを開発する。
数値実験により,提案手法はトップmの文脈依存設計の選択効率を向上することを示した。
論文 参考訳（メタデータ） (2023-05-06T16:11:49Z) - Data-driven evolutionary algorithm for oil reservoir well-placement and
control optimization [3.012067935276772]
一般化されたデータ駆動進化アルゴリズム(GDDE)は、適切な配置と制御最適化問題で実行されるシミュレーションの数を減らすために提案される。
確率的ニューラルネットワーク(PNN)は、情報的および有望な候補を選択するための分類器として採用されている。
論文 参考訳（メタデータ） (2022-06-07T09:07:49Z) - Momentum Accelerates the Convergence of Stochastic AUPRC Maximization [80.8226518642952]
高精度リコール曲線(AUPRC)に基づく領域の最適化について検討し,不均衡なタスクに広く利用されている。
我々は、$O (1/epsilon4)$のより優れた反復による、$epsilon$定常解を見つけるための新しい運動量法を開発する。
また,O(1/epsilon4)$と同じ複雑さを持つ適応手法の新たなファミリを設計し,実際により高速な収束を享受する。
論文 参考訳（メタデータ） (2021-07-02T16:21:52Z) - Unified Convergence Analysis for Adaptive Optimization with Moving Average Estimator [75.05106948314956]
1次モーメントに対する大きな運動量パラメータの増大は適応的スケーリングに十分であることを示す。
また,段階的に減少するステップサイズに応じて,段階的に運動量を増加させるための洞察を与える。
論文 参考訳（メタデータ） (2021-04-30T08:50:24Z) - Stochastic Learning Approach to Binary Optimization for Optimal Design
of Experiments [0.0]
本稿では,偏微分方程式などの数学モデルによるベイズ逆問題に対する最適実験設計 (OED) のための二項最適化への新しいアプローチを提案する。
OEDユーティリティ関数、すなわち正規化された最適性勾配はベルヌーイ分布に対する期待の形で目的関数にキャストされる。
この目的を確率的最適化ルーチンを用いて最適な観測方針を求めることで解決する。
論文 参考訳（メタデータ） (2021-01-15T03:54:12Z) - Zeroth-Order Hybrid Gradient Descent: Towards A Principled Black-Box
Optimization Framework [100.36569795440889]
この作業は、一階情報を必要としない零次最適化(ZO)の反復である。
座標重要度サンプリングにおける優雅な設計により,ZO最適化法は複雑度と関数クエリコストの両面において効率的であることを示す。
論文 参考訳（メタデータ） (2020-12-21T17:29:58Z) - Bilevel Optimization: Convergence Analysis and Enhanced Design [63.64636047748605]
バイレベル最適化は多くの機械学習問題に対するツールである。
Stoc-BiO という新しい確率効率勾配推定器を提案する。
論文 参考訳（メタデータ） (2020-10-15T18:09:48Z)
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。