論文の概要: Learning Scenario Reduction for Two-Stage Robust Optimization with Discrete Uncertainty

• arxiv url: http://arxiv.org/abs/2605.14494v1
• Date: Thu, 14 May 2026 07:34:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.687978
• Title: Learning Scenario Reduction for Two-Stage Robust Optimization with Discrete Uncertainty
• Title（参考訳）: 離散不確実性を考慮した2段階ロバスト最適化のための学習シナリオの削減
• Abstract要約: 問題駆動型シーケンシャル・ルックアヘッドであるPRISEを導入する。 PRISEは高品質なシナリオサブセットを生成するが、各選択ステップでは複数のサブプロブレムを解く必要があり、スケールで計算コストがかかる。 本稿では,GNN-Transformerのバックボーン上に構築されたニューラルサロゲートモデルNeurPRISEを提案する。
• 参考スコア（独自算出の注目度）: 48.1205762141586
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Two-Stage Robust Optimization (2RO) with discrete uncertainty is challenging, often rendering exact solutions prohibitive. Scenario reduction alleviates this issue by selecting a small, representative subset of scenarios to enable tractable computation. However, existing methods are largely problem-agnostic, operating solely on the uncertainty set without consulting the feasible region or recourse structure. In this paper, we introduce PRISE, a problem-driven sequential lookahead heuristic that constructs reduced scenario sets by evaluating the marginal impact of each scenario. While PRISE yields high-quality scenario subsets, each selection step requires solving multiple subproblems, making it computationally expensive at scale. To address this, we propose NeurPRISE, a neural surrogate model built on a GNN-Transformer backbone that encodes the per-scenario structure via graph convolution and captures cross-scenario interactions through attention. NeurPRISE is trained via imitation learning with a gain-aware ranking objective, which distills marginal gain information from PRISE into a learned scoring function for scenario ranking and selection. Extensive results on three 2RO problems show that NeurPRISE consistently achieves competitive regret relative to comprehensive methods, maintains strong calability with varying numbers of scenarios, and delivers 7-200x speedup over PRISE. NeurPRISE also exhibits strong zero-shot generalization, effectively handling instances with larger problem scales (up to 5x), more scenarios (up to 4x), and distribution shifts.
• Abstract（参考訳）: 2段階ロバスト最適化 (2RO) は不確定な不確実性を持ち、しばしば正確な解を禁止している。 シナリオリダクションは、シナリオの小さな代表的なサブセットを選択して、トラクタブルな計算を可能にすることでこの問題を軽減する。 しかし,既存の手法はほとんど問題に依存せず,実現可能な領域やリコース構造を考慮せずに,不確実性セットのみを運用している。 本稿では,問題駆動型シーケンシャル・シーケンシャル・ルックアヘッド・ヒューリスティックであるPRISEを紹介する。 PRISEは高品質なシナリオサブセットを生成するが、各選択ステップでは複数のサブプロブレムを解く必要があり、スケールで計算コストがかかる。 そこで我々は,GNN-Transformerのバックボーン上に構築されたニューラルサロゲートモデルNeurPRISEを提案する。 NeurPRISEは、PRISEの限界利得情報を、シナリオランキングと選択のための学習スコア関数に蒸留するゲインアウェアランキング目的の模倣学習によって訓練される。 3つの2RO問題の大規模な結果から、NeurPRISEは包括的手法と比較して競争上の後悔を一貫して達成し、様々なシナリオで強力な計算可能性を維持し、PRISEよりも7-200倍のスピードアップを実現している。 NeurPRISEはまた、強力なゼロショットの一般化を示し、より大きな問題スケール(最大5倍)、より多くのシナリオ(最大4倍)、分散シフトを持つインスタンスを効果的に扱う。

関連論文リスト

• Neural Two-Stage Stochastic Optimization for Solving Unit Commitment Problem [0.8848340429852071]
  本稿では,高次元不確実性シナリオ下での2段階単位コミットメント(2S-SUC)問題を効率的に解くためのニューラルネットワーク最適化手法を提案する。 提案手法は,コミットメント決定と不確実性特徴を学習したディープニューラルネットワークを用いて,第2段階のリコース問題に近似する。
  論文  参考訳（メタデータ） (2025-07-13T05:55:25Z)
• Unveiling the Role of Randomization in Multiclass Adversarial Classification: Insights from Graph Theory [10.535721818998649]
  マルチクラス分類における攻撃に対するロバスト性向上におけるランダム化の役割について検討する。 決定論的解からランダム化解への切り替えは、最適対逆リスクを著しく減少させる。 これらの知見は,マルチクラス分類における敵攻撃に対する頑健性を高める上で,ランダム化が重要な役割を担っていることを示唆している。
  論文  参考訳（メタデータ） (2025-03-18T14:41:33Z)
• Contextual Scenario Generation for Two-Stage Stochastic Programming [0.2812395851874055]
  2段階プログラム(2SP)は不確実性の下で決定を行うための重要なツールである。 現在のシナリオ生成アプローチでは、文脈情報を利用していないか、あるいは計算上の問題に対処していない。 本稿では,予測された代理シナリオと真の文脈分布との分布距離を最小化することにより,マッピングを学習する分布的アプローチを提案する。 第2に,高品質な意思決定をもたらすサロゲートシナリオの創出を目的としたタスクベースアプローチを提案する。
  論文  参考訳（メタデータ） (2025-02-07T21:42:50Z)
• DSFNet: Learning Disentangled Scenario Factorization for Multi-Scenario Route Ranking [19.448901545665212]
  マルチシナリオルートランキング(MSRR)は多くの産業地図システムにおいて重要である。 本稿では,シナリオ依存パラメータを柔軟に構成するDSFNet(Disentangled Scenario Factorization Network)を提案する。 また,大規模なアノテート産業用多シナリオ運転経路データセットであるMSDRを提案する。
  論文  参考訳（メタデータ） (2024-03-30T04:39:18Z)
• Large-scale Fully-Unsupervised Re-Identification [78.47108158030213]
  大規模未ラベルデータから学ぶための2つの戦略を提案する。 第1の戦略は、近傍関係に違反することなく、それぞれのデータセットサイズを減らすために、局所的な近傍サンプリングを行う。 第2の戦略は、低時間上限の複雑さを持ち、メモリの複雑さを O(n2) から O(kn) に k n で還元する新しい再帰的手法を利用する。
  論文  参考訳（メタデータ） (2023-07-26T16:19:19Z)
• Modeling the Q-Diversity in a Min-max Play Game for Robust Optimization [61.39201891894024]
  群分布的ロバスト最適化(群 DRO)は、事前定義された群に対する最悪の損失を最小限にすることができる。 グループDROフレームワークをQ-Diversityを提案して再構築する。 インタラクティブなトレーニングモードによって特徴付けられるQ-Diversityは、アノテーションからグループ識別を緩和し、直接パラメータ化を行う。
  論文  参考訳（メタデータ） (2023-05-20T07:02:27Z)
• RoMA: Robust Model Adaptation for Offline Model-based Optimization [115.02677045518692]
  入力出力クエリの静的データセットからブラックボックス目的関数を最大化する入力を探索する問題を考える。 この問題を解決するための一般的なアプローチは、真の客観的関数を近似するプロキシモデルを維持することである。 ここでの大きな課題は、検索中に逆最適化された入力を避ける方法である。
  論文  参考訳（メタデータ） (2021-10-27T05:37:12Z)
• Modeling the Second Player in Distributionally Robust Optimization [90.25995710696425]
  我々は、最悪のケース分布を特徴付けるために神経生成モデルを使うことを議論する。 このアプローチは多くの実装と最適化の課題をもたらします。 提案されたアプローチは、同等のベースラインよりも堅牢なモデルを生み出す。
  論文  参考訳（メタデータ） (2021-03-18T14:26:26Z)
• Combining Deep Learning and Optimization for Security-Constrained Optimal Power Flow [94.24763814458686]
  セキュリティに制約のある最適電力フロー(SCOPF)は、電力システムの基本である。 SCOPF問題におけるAPRのモデル化は、複雑な大規模混合整数プログラムをもたらす。 本稿では,ディープラーニングとロバスト最適化を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-07-14T12:38:21Z)

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。