論文の概要: Learning-Augmented Ski Rental with Discrete Distributions: A Bayesian Approach

• arxiv url: http://arxiv.org/abs/2512.07313v1
• Date: Mon, 08 Dec 2025 08:56:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-09 22:03:54.799553
• Title: Learning-Augmented Ski Rental with Discrete Distributions: A Bayesian Approach
• Title（参考訳）: 離散分布を持つ学習型スキーレンタル:ベイズ的アプローチ
• Authors: Bosun Kang, Hyejun Park, Chenglin Fan,
• Abstract要約: 時間的地平線上で正確な後続分布を維持する離散ベイズ的枠組みを提案する。 提案アルゴリズムは、事前依存した競合保証を達成し、最悪のケースと完全なインフォームド設定を優雅に補間する。 このフレームワークは、自然に複数の予測、一様でない事前情報、文脈情報を組み込むように拡張されている。
• 参考スコア（独自算出の注目度）: 4.702729080310267
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We revisit the classic ski rental problem through the lens of Bayesian decision-making and machine-learned predictions. While traditional algorithms minimize worst-case cost without assumptions, and recent learning-augmented approaches leverage noisy forecasts with robustness guarantees, our work unifies these perspectives. We propose a discrete Bayesian framework that maintains exact posterior distributions over the time horizon, enabling principled uncertainty quantification and seamless incorporation of expert priors. Our algorithm achieves prior-dependent competitive guarantees and gracefully interpolates between worst-case and fully-informed settings. Our extensive experimental evaluation demonstrates superior empirical performance across diverse scenarios, achieving near-optimal results under accurate priors while maintaining robust worst-case guarantees. This framework naturally extends to incorporate multiple predictions, non-uniform priors, and contextual information, highlighting the practical advantages of Bayesian reasoning in online decision problems with imperfect predictions.
• Abstract（参考訳）: ベイジアン決定と機械学習予測のレンズを用いて,古典的なスキーレンタル問題を再考する。 従来のアルゴリズムは仮定なしで最悪のケースコストを最小限に抑え、最近の学習強化アプローチでは頑健性を保証するノイズの多い予測を活用していますが、我々の研究はこれらの視点を統一しています。 本稿では、時間的地平線上で正確な後続分布を維持する離散ベイズフレームワークを提案し、原理的不確実性定量化とエキスパート事前のシームレスな取り込みを可能にする。 提案アルゴリズムは、事前依存した競合保証を達成し、最悪のケースと完全なインフォームド設定を優雅に補間する。 実験により,様々なシナリオにまたがる優れた経験的性能を実証し,精度の高い最短ケース保証を維持しつつ,最適に近い結果が得られることを示した。 このフレームワークは自然に複数の予測、非一様事前、文脈情報を組み込むように拡張され、不完全な予測を伴うオンライン決定問題におけるベイズ推論の実践的な利点を強調している。

関連論文リスト

• Forests of Uncertaint(r)ees: Using tree-based ensembles to estimate probability distributions of future conflict [0.0]
  我々は、従来の点予測から完全な予測分布へ移行し、紛争予測の不確実性を定量化する戦略を開発する。 モデルは、最大1年前の予測において、コンフリクト履歴から派生したベンチマークスイートを一貫して上回ることができる。 我々は,計量が与えられた予測問題に対してどのように振る舞うかを理解する必要があることを強調する。
  論文  参考訳（メタデータ） (2025-12-05T23:10:16Z)
• Bridging the Gap Between Bayesian Deep Learning and Ensemble Weather Forecasts [100.26854618129039]
  天気予報は、大気のカオス的な性質によって根本的に挑戦されている。 ベイジアンディープラーニング(BDL)の最近の進歩は、有望だがしばしば非接続な代替手段を提供する。 気象予報のための統合型BDLフレームワークにより,これらのパラダイムを橋渡しする。
  論文  参考訳（メタデータ） (2025-11-18T07:49:52Z)
• When Robustness Meets Conservativeness: Conformalized Uncertainty Calibration for Balanced Decision Making [8.234618636958462]
  本稿では,誤発見と後悔の保証を無分布で有限サンプルで提供する新しいフレームワークを提案する。 提案手法は,不規則なフロンティアを追従する有効な推定器を構築する。 これらの結果は、ロバスト性選択を導くための、最初の原則付きデータ駆動手法を提供する。
  論文  参考訳（メタデータ） (2025-10-09T03:38:17Z)
• Bin-Conditional Conformal Prediction of Fatalities from Armed Conflict [0.5312303275762104]
  ユーザ定義サブセット間の一貫したカバレッジ率を確保することにより、標準コンフォメーション予測を強化するビン条件コンフォメーション予測(BCCP)を導入する。 標準共形予測と比較すると、BCCPは局所的カバレッジを改善するが、これはわずかに広い予測間隔のコストがかかる。
  論文  参考訳（メタデータ） (2024-10-18T14:41:42Z)
• Calibrated Probabilistic Forecasts for Arbitrary Sequences [58.54729945445505]
  実際のデータストリームは、分散シフトやフィードバックループ、敵アクターによって予測不可能に変化する可能性がある。 データがどのように進化するかに関わらず、有効な不確実性推定を保証するための予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-09-27T21:46:42Z)
• Efficient Training of Probabilistic Neural Networks for Survival Analysis [0.6437284704257459]
  変分推論(VI)は、ディープラーニングモデルにおけるベイズ推定と不確実性推定によく用いられる手法である。 これは、不確実性を表すためにトレーニング可能なパラメータの数を2倍にするため、計算コストがかかる。 本研究では,モデル複雑性のオーバーヘッドを増大させることなく,大規模データセットの深層確率的生存モデルをトレーニングする方法を検討する。
  論文  参考訳（メタデータ） (2024-04-09T16:10:39Z)
• Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
  確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。 本手法は, 精度の高い問題に特に適している。 提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
  論文  参考訳（メタデータ） (2023-11-08T00:10:21Z)
• Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
  ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。 古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。 既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
  論文  参考訳（メタデータ） (2023-10-20T10:20:45Z)
• Rockafellian Relaxation and Stochastic Optimization under Perturbations [0.056247917037481096]
  我々は、ロカフェル緩和に基づく楽観的なフレームワークを開発し、最適化は元の決定空間だけでなく、モデルの選択と共同で行われる。 この枠組みは、厳密かつ厳密なロックフェリアンの新たな概念に焦点を合わせ、特定の設定で否定的な「正規化」の解釈が現れる。
  論文  参考訳（メタデータ） (2022-04-10T20:02:41Z)
• Being Bayesian, Even Just a Bit, Fixes Overconfidence in ReLU Networks [65.24701908364383]
  我々は、ReLUネットワーク上の不確実性に対する十分条件が「少しベイズ校正される」ことを示す。 さらに,これらの知見を,共通深部ReLUネットワークとLaplace近似を用いた各種標準実験により実証的に検証した。
  論文  参考訳（メタデータ） (2020-02-24T08:52:06Z)

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。