論文の概要: Online Allocation with Unknown Shared Supply

• arxiv url: http://arxiv.org/abs/2605.07080v1
• Date: Fri, 08 May 2026 00:59:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-11 19:43:38.705814
• Title: Online Allocation with Unknown Shared Supply
• Title（参考訳）: 未知の共有供給を伴うオンラインアロケーション
• Authors: Tzeh Yuan Neoh, Davin Choo, Mengchu Yue, Milind Tambe,
• Abstract要約: 本研究では,中央ハブが連続的な需要に直面した複数のサイトに対して,有限かつ未知の供給を割り当てるステートフルオンラインモデルについて検討する。 古典的なストック・ツー・ストックやメイク・ツー・オーダーの在庫モデルとは異なり、OSSAは将来の需要に対してヘッジのバックログ化と補充を妨げている。 我々は,GPAが全供給に依存しない加算項までオフライン最適化を実現することを示す。
• 参考スコア（独自算出の注目度）: 31.55000083809067
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Many real-world resource allocation systems, such as humanitarian logistics and vaccine distribution, must preposition limited supply across multiple locations before demand is realized while stockouts incur irreversible service losses. To study this, we introduce the Online Shared Supply Allocation (OSSA) problem, a stateful online model in which a central hub allocates a finite, unknown supply to multiple sites facing sequential demand under fixed-charge transportation costs and lost-sales penalties. Unlike classical make-to-stock or make-to-order inventory models, OSSA precludes backlogging and replenishment only hedges against future demand. To tackle OSSA, we propose a deterministic threshold-proportional policy GPA and prove that it achieves a $4/3$-approximation to the offline optimum up to an additive term independent of the total supply. We complement this with matching lower bounds showing that the $4/3$ ratio is tight and that the additive-error dependence is unavoidable, even for randomized algorithms that know the total supply upfront. Finally, we develop a learning-augmented extension to GPA that principally incorporates imperfect forecasts (e.g., from human experts or ML models) commonly available in practice, enabling us to exploit high-quality advice while being robust against arbitrary bad ones. Synthetic and real-world experiments show that GPA outperforms natural baselines with global supply is scarce.
• Abstract（参考訳）: 人道的な物流やワクチンの流通といった現実世界の資源配分システムの多くは、需要が実現する前に複数の場所に限られた供給を前提にし、在庫は不可逆的なサービス損失をもたらす。 そこで本研究では、中央ハブが固定料金の輸送コストと損失金額のペナルティに直面する連続的な需要に直面した複数のサイトに対して、有限かつ未知の供給を割り当てるステートフルオンラインモデルである、オンライン共有供給割当(OSSA)問題を紹介する。 古典的なストック・ツー・ストックやメイク・ツー・オーダーの在庫モデルとは異なり、OSSAは将来の需要に対してヘッジのバックログ化と補充を妨げている。 OSSA に対処するため,決定論的しきい値分布ポリシー GPA を提案し,全供給に依存しない加算項までオフライン最適化に 4/3$-近似を達成できることを証明した。 我々はこれを,4/3ドルの比率が厳密であること,および加算エラー依存が避けられないこと,そして,全供給を前もって知っているランダム化アルゴリズムでさえも,一致した下限を補完する。 最後に、GPAの学習強化拡張を開発し、一般的に利用可能な不完全な予測(例えば、人間の専門家やMLモデル)を主に組み込むことにより、任意の悪い予測に対して堅牢で高品質なアドバイスを活用できるようにする。 合成および実世界の実験により、GPAは世界の供給量で自然ベースラインを上回っていることが示されている。

関連論文リスト

• A Single-Sample Polylogarithmic Regret Bound for Nonstationary Online Linear Programming [29.531157410826825]
  非定常オンライン線形計画法(OLP)について検討する。 OLPでは、$n$の注文は、独立だが必ずしも同一に分散されたランダムベクトルの列を形成する報酬と資源の消費のペアと共に順次届く。 本稿では,動的プログラミングの観点を,従来の静止環境において採用されていたデュアルベースフレームワークと統合した新しい再解法を提案する。
  論文  参考訳（メタデータ） (2026-03-15T23:59:30Z)
• Spatial Supply Repositioning with Censored Demand Data [10.797160099834306]
  我々は、一方通行のオンデマンド車両共有サービスによるネットワーク在庫システムについて検討する。 このような一般的な在庫ネットワークにおいて最適なポリシーを見つけることは解析的にも計算的にも困難である。 我々の研究は、共有モビリティビジネスの生存性における在庫管理の重要性を強調している。
  論文  参考訳（メタデータ） (2025-01-31T15:16:02Z)
• A Primal-Dual Online Learning Approach for Dynamic Pricing of Sequentially Displayed Complementary Items under Sale Constraints [54.46126953873298]
  顧客に対して順次表示される補完アイテムの動的価格設定の問題に対処する。 各項目の価格を個別に最適化するのは効果がないため、補完項目のコヒーレントな価格ポリシーが不可欠である。 実世界のデータからランダムに生成した合成設定を用いて,我々のアプローチを実証的に評価し,制約違反や後悔の観点からその性能を比較した。
  論文  参考訳（メタデータ） (2024-07-08T09:55:31Z)
• CoSDA: Continual Source-Free Domain Adaptation [78.47274343972904]
  ソースデータにアクセスせずに、ソースフリードメイン適応(SFDA)は、ソースドメインのトレーニングされたモデルからターゲットドメインに知識を転送する。 最近では、ソースドメインのデータプライバシ保護の必要性から、SFDAの人気が高まっている。 教師-学生モデルペアを2倍高速に最適化し,整合性学習機能を備えた,CoSDAという連続的ソースフリードメイン適応手法を提案する。
  論文  参考訳（メタデータ） (2023-04-13T15:53:23Z)
• Online Allocation with Two-sided Resource Constraints [44.5635910908944]
  我々は,要求が順次到着する,リソース制約の低いオンラインアロケーション問題を考える。 提案手法では, リクエスト全体を知るオフライン問題に対して, 1-O (fracepsilonalpha-epsilon)$-competitive ratioを求めるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-12-28T02:21:06Z)
• Improving Self-supervised Learning with Automated Unsupervised Outlier Arbitration [83.29856873525674]
  本稿では,自己教師型学習のためのビューサンプリング問題を対象とした,軽量潜在変数モデル UOTA を提案する。 本手法は,多くの主流な自己指導型学習手法に直接応用する。
  論文  参考訳（メタデータ） (2021-12-15T14:05:23Z)
• Fairer LP-based Online Allocation [13.478067250930101]
  本稿では,リニアプログラム(LP)に基づくオンラインリソース割り当て問題について考察する。 内部点LPソルバを用いて不公平な資源支出を動的に検出するフェアアルゴリズムを提案する。 提案手法は最適化インスタンスの制約としてフェアネス要件を定式化せず,アルゴリズム設計の観点からこの問題に対処する。
  論文  参考訳（メタデータ） (2021-10-27T17:45:20Z)
• Supercharging Imbalanced Data Learning With Energy-based Contrastive Representation Transfer [72.5190560787569]
  コンピュータビジョンにおいて、長い尾のデータセットからの学習は、特に自然画像データセットの繰り返しのテーマである。 本稿では,データ生成機構がラベル条件と特徴分布の間で不変であるメタ分散シナリオを提案する。 これにより、因果データインフレーションの手順を利用してマイノリティクラスの表現を拡大できる。
  論文  参考訳（メタデータ） (2020-11-25T00:13:11Z)
• Coordinated Online Learning for Multi-Agent Systems with Coupled Constraints and Perturbed Utility Observations [91.02019381927236]
  本研究では, 資源制約を満たすため, エージェントを安定な集団状態へ誘導する新しい手法を提案する。 提案手法は,ゲームラグランジアンの拡張によるリソース負荷に基づく分散リソース価格設定手法である。
  論文  参考訳（メタデータ） (2020-10-21T10:11:17Z)
• Hierarchical Adaptive Contextual Bandits for Resource Constraint based Recommendation [49.69139684065241]
  コンテキスト多重武装バンディット(MAB)は、様々な問題において最先端のパフォーマンスを達成する。 本稿では,階層型適応型文脈帯域幅法(HATCH)を提案する。
  論文  参考訳（メタデータ） (2020-04-02T17:04:52Z)

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。