論文の概要: Learning Shortest Paths When Data is Scarce

• arxiv url: http://arxiv.org/abs/2601.03629v1
• Date: Wed, 07 Jan 2026 06:19:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-09 02:15:23.294161
• Title: Learning Shortest Paths When Data is Scarce
• Title（参考訳）: データがスカースであるときに最短経路を学習する
• Authors: Dmytro Matsypura, Yu Pan, Hanzhao Wang,
• Abstract要約: 本研究では,プランナーが豊富な合成サンプルにアクセス可能な最短経路問題,限られた実世界の観測,およびリンク間の振る舞いの類似性を推定するエッジ類似性について検討する。 シミュレーションと現実の相違を、類似性グラフ上で滑らかに変化するエッジ固有のバイアスとしてモデル化し、ラプラシアン正規化最小二乗を用いて推定する。 初期実データを持たないコールドスタート設定のために、所定の精度が満たされるまでエッジを適応的に選択するバイアス対応能動学習アルゴリズムを開発した。
• 参考スコア（独自算出の注目度）: 3.3012620893449465
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Digital twins and other simulators are increasingly used to support routing decisions in large-scale networks. However, simulator outputs often exhibit systematic bias, while ground-truth measurements are costly and scarce. We study a stochastic shortest-path problem in which a planner has access to abundant synthetic samples, limited real-world observations, and an edge-similarity structure capturing expected behavioral similarity across links. We model the simulator-to-reality discrepancy as an unknown, edge-specific bias that varies smoothly over the similarity graph, and estimate it using Laplacian-regularized least squares. This approach yields calibrated edge cost estimates even in data-scarce regimes. We establish finite-sample error bounds, translate estimation error into path-level suboptimality guarantees, and propose a computable, data-driven certificate that verifies near-optimality of a candidate route. For cold-start settings without initial real data, we develop a bias-aware active learning algorithm that leverages the simulator and adaptively selects edges to measure until a prescribed accuracy is met. Numerical experiments on multiple road networks and traffic graphs further demonstrate the effectiveness of our methods.
• Abstract（参考訳）: デジタルツインやその他のシミュレータは、大規模ネットワークでのルーティング決定をサポートするために、ますます使われている。 しかしながら、シミュレータの出力は、しばしば体系的なバイアスを示すが、地平線の測定は費用がかかり、不十分である。 本研究では, プランナーが豊富な合成サンプルにアクセスできる確率的短絡問題, 限られた実世界の観測, およびリンク間の振る舞いの類似性を推定するエッジ-相似構造について検討する。 シミュレーションと現実の相違を、類似性グラフ上で滑らかに変化するエッジ固有のバイアスとしてモデル化し、ラプラシアン正規化最小二乗を用いて推定する。 このアプローチは、データスカースレジームにおいても、キャリブレーションされたエッジコストの見積もりをもたらす。 我々は,有限サンプル誤差境界を確立し,推定誤差を経路レベルの準最適性保証に変換するとともに,候補経路のほぼ最適性を検証する計算可能なデータ駆動証明書を提案する。 初期実データを持たないコールドスタート設定のために,シミュレータを利用するバイアス対応能動学習アルゴリズムを開発し,所定の精度に達するまでエッジを適応的に選択する。 複数の道路網とトラヒックグラフの数値実験により,提案手法の有効性が明らかにされた。

関連論文リスト

• Uncertainty-Aware Trajectory Prediction via Rule-Regularized Heteroscedastic Deep Classification [3.126303871979975]
  ShiFT (Spectral Heteroscedastic Informed Forecasting for Trajectories) は、よく校正された不確実性モデリングと情報前処理を組み合わせた新しいフレームワークである。 我々のモデルは、本質的に不確実性が高い交差点のような複雑なシナリオで優れている。
  論文  参考訳（メタデータ） (2025-04-17T17:24:50Z)
• Near-optimal inference in adaptive linear regression [60.08422051718195]
  最小二乗法のような単純な方法でさえ、データが適応的に収集されるときの非正規な振る舞いを示すことができる。 我々は,これらの分布異常を少なくとも2乗推定で補正するオンラインデバイアス推定器のファミリーを提案する。 我々は,マルチアームバンディット,自己回帰時系列推定,探索による能動的学習などの応用を通して,我々の理論の有用性を実証する。
  論文  参考訳（メタデータ） (2021-07-05T21:05:11Z)
• Approximate Bayesian Computation with Path Signatures [0.5156484100374059]
  本稿では,時系列データ間の距離を構築するための自然候補としてパスシグネチャを導入する。 実験により, 従来の時系列モデルよりも高精度なベイズ後方推定が可能であることが示された。
  論文  参考訳（メタデータ） (2021-06-23T17:25:43Z)
• Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
  階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。 本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
  論文  参考訳（メタデータ） (2021-04-11T09:50:24Z)
• AutoSimulate: (Quickly) Learning Synthetic Data Generation [70.82315853981838]
  目的の新たな微分可能近似に基づく最適な合成データ生成法を提案する。 提案手法は,学習データ生成の高速化(最大50Times$)と,実世界のテストデータセットの精度向上(+8.7%$)を実現している。
  論文  参考訳（メタデータ） (2020-08-16T11:36:11Z)
• Learning while Respecting Privacy and Robustness to Distributional Uncertainties and Adversarial Data [66.78671826743884]
  分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。 目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。 提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
  論文  参考訳（メタデータ） (2020-07-07T18:25:25Z)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。