論文の概要: Decision-Focused Bias Correction for Fluid Approximation
- arxiv url: http://arxiv.org/abs/2512.15726v1
- Date: Thu, 04 Dec 2025 23:12:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-21 14:22:08.777679
- Title: Decision-Focused Bias Correction for Fluid Approximation
- Title（参考訳）: 流体近似のための決定焦点バイアス補正
- Authors: Can Er, Mo Liu,
- Abstract要約: 我々は、必ずしも平均ではない別の点統計量を特定する方法を検討する。
我々はこの統計を、決定補正点推定(時変到着率)として参照する。
分解可能なネットワーク構造の下では、決定訂正点推定結果が古典的ニュース解と密接に関連していることが示される。
- 参考スコア（独自算出の注目度）: 0.1120974804429143
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fluid approximation is a widely used approach for solving two-stage stochastic optimization problems, with broad applications in service system design such as call centers and healthcare operations. However, replacing the underlying random distribution (e.g., demand distribution) with its mean (e.g., the time-varying average arrival rate) introduces bias in performance estimation and can lead to suboptimal decisions. In this paper, we investigate how to identify an alternative point statistic, which is not necessarily the mean, such that substituting this statistic into the two-stage optimization problem yields the optimal decision. We refer to this statistic as the decision-corrected point estimate (time-varying arrival rate). For a general service network with customer abandonment costs, we establish necessary and sufficient conditions for the existence of such a corrected point estimate and propose an algorithm for its computation. Under a decomposable network structure, we further show that the resulting decision-corrected point estimate is closely related to the classical newsvendor solution. Numerical experiments demonstrate the superiority of our decision-focused correction method compared to the traditional fluid approximation.
- Abstract（参考訳）: 流体近似は、2段階確率最適化問題の解法として広く用いられている手法であり、コールセンターやヘルスケアオペレーションなどのサービスシステム設計に広く応用されている。
しかし、基礎となるランダム分布(例えば需要分布)を平均値(例えば、時間変化平均到着率)に置き換えると、性能推定のバイアスが発生し、最適下決定につながる可能性がある。
本稿では、この統計を2段階最適化問題に置き換えることで最適な決定を下すような、必ずしも平均ではない代替点統計量を特定する方法について検討する。
この統計を、決定補正点推定(時刻変化到着率)と呼ぶ。
顧客放棄コストの一般的なサービスネットワークでは,そのような修正点推定の存在に対して必要かつ十分な条件を定め,その計算アルゴリズムを提案する。
さらに、分解可能なネットワーク構造の下では、決定訂正点推定結果が古典的ニュースベンダの解と密接に関連していることが示される。
数値実験により,従来の流体近似法と比較して決定中心補正法が優れていることが示された。
関連論文リスト
- A Principled Approach to Randomized Selection under Uncertainty: Applications to Peer Review and Grant Funding [61.86327960322782]
本稿では,各項目の品質の間隔推定に基づくランダム化意思決定の枠組みを提案する。
最適化に基づく最適化手法であるMERITを導入する。
MERITが既存のアプローチで保証されていない望ましい公理特性を満たすことを証明している。
論文 参考訳（メタデータ） (2025-06-23T19:59:30Z) - Treatment Effect Estimation for Optimal Decision-Making [65.30942348196443]
2段階CATE推定器を用いた最適意思決定について検討する。
本稿では,CATE推定誤差と判定性能のバランスをとるためにCATEを再ターゲットとした2段階学習目標を提案する。
論文 参考訳（メタデータ） (2025-05-19T13:24:57Z) - Adaptive Resampling with Bootstrap for Noisy Multi-Objective Optimization Problems [0.0]
本稿では,ブートストラップと支配確率を用いて最適化問題の性質を取り入れた再サンプリング決定関数を提案する。
この再サンプリング手法の効率性は、NSGA-IIアルゴリズムに複数のノイズ変動下でのシーケンシャルな再サンプリング手順を適用して証明する。
論文 参考訳（メタデータ） (2025-03-27T13:32:42Z) - Zeroth-Order Methods for Nonconvex Stochastic Problems with Decision-Dependent Distributions [8.90721241624138]
決定変数に依存する不確実性のある最適化問題を考える。
この問題では、決定依存分布が未知であるため、目的関数の勾配は明示的には得られない。
いくつかのゼロ階法が提案され、繰り返しをサンプリングして更新することでノイズの多い目標値が得られる。
論文 参考訳（メタデータ） (2024-12-29T03:05:34Z) - Optimal Baseline Corrections for Off-Policy Contextual Bandits [61.740094604552475]
オンライン報酬指標の偏りのないオフライン推定を最適化する意思決定ポリシーを学習することを目指している。
学習シナリオにおける同値性に基づく単一のフレームワークを提案する。
我々のフレームワークは、分散最適非バイアス推定器の特徴付けを可能にし、それに対する閉形式解を提供する。
論文 参考訳（メタデータ） (2024-05-09T12:52:22Z) - Distributed Fractional Bayesian Learning for Adaptive Optimization [12.158466416574448]
本稿では,各エージェントが共通パラメータを持つローカルコスト関数にのみアクセス可能な分散適応最適化問題について考察する。
分散最適化問題におけるパラメータの不確実性に対処し、同時に最適解を見つけるための貴重な洞察を提供することを目的としている。
論文 参考訳（メタデータ） (2024-04-17T13:09:33Z) - Inference for an Algorithmic Fairness-Accuracy Frontier [0.7743097066308449]
フェアネス・精度フロンティアのためのバイアス付き機械学習推定器を提案する。
本研究では,その分布を導出し,フェアネス文学における重要な仮説を検証するための推論手法を提案する。
提案手法は,両次元に改良を加えたフェアネス・正確性フロンティア上の代替アルゴリズムを導出することを示す。
論文 参考訳（メタデータ） (2024-02-14T00:56:09Z) - Estimating Barycenters of Distributions with Neural Optimal Transport [93.28746685008093]
本稿では,Wasserstein Barycenter問題を解くための新しいスケーラブルなアプローチを提案する。
我々の手法は最近のNeural OTソルバをベースとしている。
また,提案手法の理論的誤差境界も確立する。
論文 参考訳（メタデータ） (2024-02-06T09:17:07Z) - Benchmarking PtO and PnO Methods in the Predictive Combinatorial Optimization Regime [59.27851754647913]
予測最適化(英: Predictive optimization)は、エネルギーコストを意識したスケジューリングや広告予算配分など、多くの現実世界のアプリケーションの正確なモデリングである。
我々は,広告のための新しい産業データセットを含む8つの問題に対して,既存のPtO/PnOメソッド11をベンチマークするモジュラーフレームワークを開発した。
本研究は,8ベンチマーク中7ベンチマークにおいて,PnOアプローチがPtOよりも優れていることを示すが,PnOの設計選択に銀の弾丸は見つからない。
論文 参考訳（メタデータ） (2023-11-13T13:19:34Z) - 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) - Off-Policy Evaluation with Policy-Dependent Optimization Response [90.28758112893054]
我々は,テキスト政治に依存した線形最適化応答を用いた非政治評価のための新しいフレームワークを開発した。
摂動法による政策依存推定のための非バイアス推定器を構築する。
因果介入を最適化するための一般的なアルゴリズムを提供する。
論文 参考訳（メタデータ） (2022-02-25T20:25:37Z) - Post-hoc loss-calibration for Bayesian neural networks [25.05373000435213]
本研究では, 近似的後続予測分布の補正手法を開発し, 高ユーティリティな意思決定を推奨する。
従来の研究とは対照的に、我々のアプローチは近似推論アルゴリズムの選択に非依存である。
論文 参考訳（メタデータ） (2021-06-13T13:53:27Z) - Application-Driven Learning: A Closed-Loop Prediction and Optimization Approach Applied to Dynamic Reserves and Demand Forecasting [41.94295877935867]
我々は、予測と意思決定のプロセスが統合され、協調最適化される新しいクローズドループフレームワークであるアプリケーション駆動学習を提案する。
提案手法は拡張性があり,標準のオープンループ手法よりも一貫して性能が向上することを示す。
論文 参考訳（メタデータ） (2021-02-26T02:43:28Z) - Distributed Averaging Methods for Randomized Second Order Optimization [54.51566432934556]
我々はヘッセン語の形成が計算的に困難であり、通信がボトルネックとなる分散最適化問題を考察する。
我々は、ヘッセンのサンプリングとスケッチを用いたランダム化二階最適化のための非バイアスパラメータ平均化手法を開発した。
また、不均一なコンピューティングシステムのための非バイアス分散最適化フレームワークを導入するために、二階平均化手法のフレームワークを拡張した。
論文 参考訳（メタデータ） (2020-02-16T09:01:18Z)
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。