論文の概要: Decision-Focused Sequential Experimental Design: A Directional Uncertainty-Guided Approach

• arxiv url: http://arxiv.org/abs/2602.05340v1
• Date: Thu, 05 Feb 2026 06:06:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.780996
• Title: Decision-Focused Sequential Experimental Design: A Directional Uncertainty-Guided Approach
• Title（参考訳）: 決定に焦点をあてた逐次実験:方向の不確実性ガイドによるアプローチ
• Authors: Beichen Wan, Mo Liu, Paul Grigas, Zuo-Jun Max Shen,
• Abstract要約: 予測テーマ最適化設定では、予測誤差ではなく、下流最適化によって誘導される決定損失に基づいて性能を評価する。 この予測精度と判断損失のミスマッチは、従来の意思決定設計を非効率にする。 方向性の不確実性に基づく設計は、決定盲点設計よりも早く停止時間が得られることを示す。
• 参考スコア（独自算出の注目度）: 4.637632607868282
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the sequential experimental design problem in the predict-then-optimize paradigm. In this paradigm, the outputs of the prediction model are used as coefficient vectors in a downstream linear optimization problem. Traditional sequential experimental design aims to control the input variables (features) so that the improvement in prediction accuracy from each experimental outcome (label) is maximized. However, in the predict-then-optimize setting, performance is ultimately evaluated based on the decision loss induced by the downstream optimization, rather than by prediction error. This mismatch between prediction accuracy and decision loss renders traditional decision-blind designs inefficient. To address this issue, we propose a directional-based metric to quantify predictive uncertainty. This metric does not require solving an optimization oracle and is therefore computationally tractable. We show that the resulting sequential design criterion enjoys strong consistency and convergence guarantees. Under a broad class of distributions, we demonstrate that our directional uncertainty-based design attains an earlier stopping time than decision-blind designs. This advantage is further supported by real-world experiments on an LLM job allocation problem.
• Abstract（参考訳）: 予測テーマ最適化パラダイムにおける逐次的実験設計問題について考察する。 このパラダイムでは、下流線形最適化問題において、予測モデルの出力を係数ベクトルとして用いる。 従来の逐次実験設計は、入力変数(特徴)を制御することを目的としており、各実験結果(ラベル)からの予測精度の向上が最大化される。 しかし、予測列最適化設定では、予測誤差ではなく、下流最適化によって引き起こされる決定損失に基づいて、最終的に性能を評価する。 この予測精度と判断損失のミスマッチは、従来の意思決定設計を非効率にする。 この問題に対処するため,予測の不確実性を定量化する指向性尺度を提案する。 この計量は最適化オラクルを解く必要はなく、従って計算的に抽出可能である。 結果の逐次設計基準は、強い一貫性と収束保証を享受していることが示される。 幅広い分布のクラスにおいて、我々の方向性の不確実性に基づく設計は、決定盲点設計よりも早く停止時間が得られることを実証する。 この利点は、LLMジョブ割り当て問題における実世界の実験によってさらに支持される。

関連論文リスト

• On the Optimal Construction of Unbiased Gradient Estimators for Zeroth-Order Optimization [57.179679246370114]
  既存の手法の潜在的な制限は、ステップサイズが提案されない限り、ほとんどの摂動推定器に固有のバイアスである。 本稿では, 良好な構成を維持しつつ, バイアスを排除した非バイアス勾配スケーリング推定器のファミリーを提案する。
  論文  参考訳（メタデータ） (2025-10-22T18:25:43Z)
• Online Decision-Focused Learning [74.3205104323777]
  意思決定中心学習(DFL)は、意思決定タスクで予測出力が使用されるモデルのトレーニングパラダイムとして、ますます人気が高まっている。 本稿では,目的関数を規則化し,その相違を解消し,非最適関数を克服する方法を検討する。 また、クナップサック実験におけるアルゴリズムの有効性を示し、2つの標準ベンチマークを上回りました。
  論文  参考訳（メタデータ） (2025-05-19T10:40:30Z)
• Refined Risk Bounds for Unbounded Losses via Transductive Priors [67.12679195076387]
  線形回帰の逐次変分を2乗損失、ヒンジ損失の分類問題、ロジスティック回帰で再検討する。 我々の鍵となるツールは、慎重に選択された導出先を持つ指数重み付けアルゴリズムに基づいている。
  論文  参考訳（メタデータ） (2024-10-29T00:01:04Z)
• 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)
• Scalable method for Bayesian experimental design without integrating over posterior distribution [0.0]
  実験問題のA-最適ベイズ設計における計算効率について検討する。 A-最適性はベイズの実験設計に広く用いられ、容易に解釈できる基準である。 本研究は, A-Optimal 実験設計における新しい可能性のないアプローチを提案する。
  論文  参考訳（メタデータ） (2023-06-30T12:40:43Z)
• Variational Sequential Optimal Experimental Design using Reinforcement Learning [0.0]
  対OEDは、変分後部近似を用いた一点報酬の定式化を採用し、期待される情報ゲインに対する証明可能な低いバウンドを提供する。 我々は,既存の逐次実験設計アルゴリズムと比較して,サンプル効率が優れていることを示しながら,様々な工学・科学応用における vsOED の実証を行った。
  論文  参考訳（メタデータ） (2023-06-17T21:47:19Z)
• A Note on Task-Aware Loss via Reweighing Prediction Loss by Decision-Regret [11.57423546614283]
  我々は予測最適化の意思決定対応版を提案する。 コストの(非重みのない)パイロット推定器が犯した決定の後悔による予測誤差を再検討する。 このアプローチは"予測を最適化する"フレームワークよりも改善する可能性があることを示す。
  論文  参考訳（メタデータ） (2022-11-09T18:59:35Z)
• The Perils of Learning Before Optimizing [16.97597806975415]
  本稿では,最適化タスクを通じて予測モデルを識別することで,エンドツーエンドで予測モデルを学習する方法を示す。 2段階のアプローチとエンドツーエンドのアプローチのパフォーマンスギャップは、最適化における相関の概念の強調と密接に関係していることが示される。
  論文  参考訳（メタデータ） (2021-06-18T20:43:47Z)

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。