論文の概要: Adaptive Multi-Round Allocation with Stochastic Arrivals

• arxiv url: http://arxiv.org/abs/2605.12111v1
• Date: Tue, 12 May 2026 13:29:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.881481
• Title: Adaptive Multi-Round Allocation with Stochastic Arrivals
• Title（参考訳）: 確率的条件付き適応型多方向アロケーション
• Authors: Yuqi Pan, Davin Choo, Haichuan Wang, Milind Tambe, Alastair van Heerden, Cheryl Johnson,
• Abstract要約: 本稿では,適応型ネットワークの採用を動機とした逐次的資源配分問題について検討する。 まず, 単一ラウンド割当問題において, 生存確率の限界に基づく厳密な解が認められていることを示す。 多重ラウンド設定では、結果として生じるベルマン再帰はフロンティアの高次元進化のために引き起こされる。
• 参考スコア（独自算出の注目度）: 26.102812388131813
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study a sequential resource allocation problem motivated by adaptive network recruitment, in which a limited budget of identical resources must be allocated over multiple rounds to individuals with stochastic referral capacity. Successful referrals endogenously generate future decision opportunities while allocating additional resources to an individual exhibits diminishing returns. We first show that the single-round allocation problem admits an exact greedy solution based on marginal survival probabilities. In the multi-round setting, the resulting Bellman recursion is intractable due to the stochastic, high-dimensional evolution of the frontier. To address this, we introduce a population-level surrogate value function that depends only on the remaining budget and frontier size. This surrogate enables an exact dynamic program via truncated probability generating functions, yielding a planning algorithm with polynomial complexity in the total budget. We further analyze robustness under model misspecification, proving a multi-round error bound that decomposes into a tight single-round frontier error and a population-level transition error. Finally, we evaluate our method on real-world inspired recruitment scenarios.
• Abstract（参考訳）: 適応型ネットワークの採用によって動機付けられた逐次的資源配分問題について検討し、複数のラウンドで同一資源の限られた予算を確率的参照能力を持つ個人に割り当てなければならない。 成功したレファラルは、個人に追加資源を割り当てる一方で、将来的な決定の機会を不均一に生み出す。 まず, 単一ラウンド割当問題において, 生存確率の限界に基づく厳密な解が認められていることを示す。 多重ラウンド設定では、ベルマン再帰はフロンティアの確率的、高次元的な進化のために引き起こされる。 これを解決するために、残りの予算とフロンティアサイズにのみ依存する人口レベルの代理値関数を導入する。 このサロゲートは、切り詰められた確率生成関数による正確な動的プログラムを可能にし、全予算で多項式複雑性を持つ計画アルゴリズムを生成する。 さらに, モデル不特定条件下でのロバスト性を解析し, 単一ラウンドフロンティア誤差と集団レベルの遷移誤差に分解する多ラウンド誤差を証明した。 最後に,本手法を現実世界にインスパイアされた採用シナリオで評価する。

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)
• Non-Stationary Online Resource Allocation: Learning from a Single Sample [5.81028169940199]
  最低限のオフラインデータ要求で,非定常要求下でのオンラインリソース割り当てについて検討する。 本稿では,この問題をモジュラーコンポーネントに分解する,型依存型量子型メタ政治を提案する。
  論文  参考訳（メタデータ） (2026-02-20T10:07:35Z)
• No-Regret Learning Under Adversarial Resource Constraints: A Spending Plan Is All You Need! [56.80767500991973]
  アクション選択の前に報酬とコストが観測される$(i)$オンラインリソース割当と、アクション選択後、完全なフィードバックや盗賊フィードバックの下で、リソース制限付きオンライン学習である$(ii)$オンラインリソース割当に焦点を当てた。 報酬とコスト分布が時間とともに任意に変化する場合、これらの設定でサブ線形後悔を達成することは不可能であることが知られている。 我々は、支出計画に従う基準線に対する半線形後悔を実現する一般的な(基本的)二重的手法を設計し、また、支出計画が予算のバランスの取れた配分を保証すると、アルゴリズムの性能が向上する。
  論文  参考訳（メタデータ） (2025-06-16T08:42:31Z)
• Online Fair Allocation of Perishable Resources [1.4952056744888913]
  我々は、標準オンラインフェアアロケーション問題の事実上の動機付け型を考察する。 意思決定者は、一定回数のラウンドを割り当てるために、パーシシブルなリソースの予算を持っている。 目標は、うらやましいほど効率的で効率的なアロケーションのシーケンスを構築することです。
  論文  参考訳（メタデータ） (2024-06-04T15:14:10Z)
• Quantization for decentralized learning under subspace constraints [61.59416703323886]
  エージェントがサブスペース制約を最小化するために個々のコスト関数を持つ分散最適化問題を考察する。 本稿では,エージェントが確率化量子化器を用いて推定値を圧縮する適応分散型戦略を提案し,検討する。 この分析は、量子化ノイズのいくつかの一般的な条件下では、平均二乗誤差と平均ビットレートの両方で戦略が安定であることを示している。
  論文  参考訳（メタデータ） (2022-09-16T09:38:38Z)
• 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)
• Regularized Online Allocation Problems: Fairness and Beyond [7.433931244705934]
  本稿では, 総資源消費に作用する非線形正規化器を含む変種である, 語彙化オンライン割当問題を紹介する。 この問題では、要求は時間とともに繰り返し届き、各要求に対して、意思決定者は報酬を生成しリソースを消費するアクションを取る必要があります。 目的は、資源制約を受ける加算可分な報酬と非分離可正則化器の値とを同時に最大化することである。
  論文  参考訳（メタデータ） (2020-07-01T14:24:58Z)

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。