論文の概要: Data-Driven Conditional Flexibility Index

• arxiv url: http://arxiv.org/abs/2601.16028v1
• Date: Thu, 22 Jan 2026 14:56:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-23 21:37:20.632817
• Title: Data-Driven Conditional Flexibility Index
• Title（参考訳）: データ駆動条件フレキシビリティ指数
• Authors: Moritz Wedemeyer, Eike Cramer, Alexander Mitsos, Manuel Dahmen,
• Abstract要約: 本稿では,従来の柔軟性指標を2つの方法で拡張する条件自由度指数(CFI)を提案する。 CFIは、歴史的データから設定されたパラメータ化された許容不確かさを学習し、文脈情報を用いて許容不確実性セットを条件付きにする。 データ駆動と条件付き許容不確実性セットの両方が、実現を含む不確かさパラメータ空間の領域のみを考慮すべきであることを示す。
• 参考スコア（独自算出の注目度）: 39.691553958657764
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the increasing flexibilization of processes, determining robust scheduling decisions has become an important goal. Traditionally, the flexibility index has been used to identify safe operating schedules by approximating the admissible uncertainty region using simple admissible uncertainty sets, such as hypercubes. Presently, available contextual information, such as forecasts, has not been considered to define the admissible uncertainty set when determining the flexibility index. We propose the conditional flexibility index (CFI), which extends the traditional flexibility index in two ways: by learning the parametrized admissible uncertainty set from historical data and by using contextual information to make the admissible uncertainty set conditional. This is achieved using a normalizing flow that learns a bijective mapping from a Gaussian base distribution to the data distribution. The admissible latent uncertainty set is constructed as a hypersphere in the latent space and mapped to the data space. By incorporating contextual information, the CFI provides a more informative estimate of flexibility by defining admissible uncertainty sets in regions that are more likely to be relevant under given conditions. Using an illustrative example, we show that no general statement can be made about data-driven admissible uncertainty sets outperforming simple sets, or conditional sets outperforming unconditional ones. However, both data-driven and conditional admissible uncertainty sets ensure that only regions of the uncertain parameter space containing realizations are considered. We apply the CFI to a security-constrained unit commitment example and demonstrate that the CFI can improve scheduling quality by incorporating temporal information.
• Abstract（参考訳）: プロセスの柔軟性が増すにつれ、堅牢なスケジューリング決定の決定が重要な目標となっている。 伝統的に、フレキシビリティ指数は、ハイパーキューブのような単純な許容不確実性集合を用いて許容不確実性領域を近似することにより、安全な運用スケジュールを特定するために用いられてきた。 現在、予測のような利用可能な文脈情報は、柔軟性指数を決定する際に許容される不確実性セットを定義するものではない。 本研究では,従来のフレキシビリティ指標を2つの方法で拡張する条件柔軟性指標(CFI)を提案する。 これは正規化フローを用いてガウス基底分布からデータ分布への単射写像を学習する。 許容潜在不確実性集合は、潜在空間の超球面として構成され、データ空間にマッピングされる。 文脈情報を組み込むことで、CFIは与えられた条件下で関連しやすい領域における許容可能な不確実性集合を定義することにより、より情報的な柔軟性の推定を提供する。 具体例を用いて、データ駆動許容不確実性集合は単純な集合よりも優れ、条件集合は無条件集合よりも優れていることを示す。 しかし、データ駆動および条件付き許容不確実性セットは、実現を含む不確かさパラメータ空間の領域のみが考慮される。 セキュリティ制約のある単位コミットメントの例にCFIを適用し、時間情報を組み込むことで、CFIがスケジューリング品質を向上させることを実証する。

関連論文リスト

• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• SConU: Selective Conformal Uncertainty in Large Language Models [59.25881667640868]
  SconU(Selective Conformal Uncertainity)と呼ばれる新しいアプローチを提案する。 我々は,特定の管理可能なリスクレベルで設定されたキャリブレーションの不確実性分布から,与えられたサンプルが逸脱するかどうかを決定するのに役立つ2つの共形p値を開発する。 我々のアプローチは、単一ドメインと学際的コンテキストの両方にわたる誤発見率の厳密な管理を促進するだけでなく、予測の効率を高める。
  論文  参考訳（メタデータ） (2025-04-19T03:01:45Z)
• Conformalized Credal Regions for Classification with Ambiguous Ground Truth [37.03352666927449]
  分類問題において、クレダル領域は現実的な仮定の下で証明可能な保証を提供することができるツールである。 そこで本研究では, コンフォメーション法により, 干潟域を直接構築できることを示す。 合成データと実データの両方について実験により検証した。
  論文  参考訳（メタデータ） (2024-11-07T16:39:29Z)
• Probabilistic Conformal Prediction with Approximate Conditional Validity [81.30551968980143]
  本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを生成する手法を開発した。 我々の手法は、条件付きカバレッジの観点から既存の手法よりも一貫して優れています。
  論文  参考訳（メタデータ） (2024-07-01T20:44:48Z)
• Decomposing Uncertainty for Large Language Models through Input Clarification Ensembling [69.83976050879318]
  大規模言語モデル(LLM)では、不確実性の原因を特定することが、信頼性、信頼性、解釈可能性を改善するための重要なステップである。 本稿では,LLMのための不確実性分解フレームワークについて述べる。 提案手法は,入力に対する一連の明確化を生成し,それらをLLMに入力し,対応する予測をアンサンブルする。
  論文  参考訳（メタデータ） (2023-11-15T05:58:35Z)
• Robustness Guarantees for Credal Bayesian Networks via Constraint Relaxation over Probabilistic Circuits [16.997060715857987]
  本研究では,決定関数のロバスト性を,断続ベイズ的ネットワークに対して定量化する手法を開発した。 回路サイズにおいて線形時間で MARmax 上の保証上限を得る方法を示す。
  論文  参考訳（メタデータ） (2022-05-11T22:37:07Z)

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。