論文の概要: Scalable Decision-Focused Learning through Cost-Sensitive Regression
- arxiv url: http://arxiv.org/abs/2605.18005v1
- Date: Mon, 18 May 2026 07:58:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-19 17:57:49.091002
- Title: Scalable Decision-Focused Learning through Cost-Sensitive Regression
- Title（参考訳）: コスト感性回帰によるスケーラブルな意思決定型学習
- Authors: Noah Schutte, Senne Berden, Tias Guns, Krzysztof Postek, Neil Yorke-Smith,
- Abstract要約: 決定中心学習(DFL)アプローチは、トレーニング中に基礎となる最適化問題の繰り返し解決に依存することが多く、計算コストが高く、スケールが難しい。
複数の不確実なパラメータを持つ問題によるマルチアウトプットと、実際の目標である下流タスクコストによるコストセンシティブという問題によるマルチアウトプットという、コスト感受性の多出力回帰問題として学習問題を達成した。
ダウンストリームのタスク品質に匹敵する損失成分の組み合わせは,より効率的でありながら,これまでDFLで取り組まなかった問題サイズへのスケーリングを可能にした。
- 参考スコア（独自算出の注目度）: 14.812233565076399
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Many real-world combinatorial problems involve uncertain parameters, which can be predicted given contextual features and historical data. These `predict-then-optimize' or `contextual optimization' problems have gained significant attention: end-to-end training methods can now minimize the downstream task cost rather than the predictive error. However, despite their effectiveness, these decision-focused learning (DFL) approaches often rely on repeated solving of the underlying combinatorial optimization problem during training, making them computationally expensive and difficult to scale. We reframe the learning problem as a cost-sensitive multi-output regression problem: multi-output due to the combinatorial problem having multiple uncertain parameters, and cost-sensitive due to the downstream task cost being the real target. Our technical contribution is the formalization of multiple loss function components that follow from this reframing: cost-insensitive normalization, decision-aware asymmetric penalization of over- and underpredictions, and instance-based costs that mimic the true downstream task-based loss locally. These components require zero or one solve per training data instance, while requiring no further solves during training. Experiments show that the combination of loss components achieves comparable downstream task quality to the state of the art, while being significantly more efficient, enabling scaling to problem sizes that have not been tackled before with DFL.
- Abstract（参考訳）: 多くの実世界の組合せ問題は、文脈的特徴や歴史的データから予測できる不確実なパラメータを含む。
エンドツーエンドのトレーニング手法では、予測エラーよりも下流のタスクコストを最小化することが可能になった。
しかしながら、これらの決定中心学習(DFL)アプローチは、その効果にもかかわらず、トレーニング中に基礎となる組合せ最適化問題の繰り返し解決に依存することが多く、計算コストが高く、スケールが難しい。
我々は、学習問題を、複数の不確実なパラメータを持つ組合せ問題によるマルチアウトプットと、下流タスクコストが真のターゲットであることによるコスト感受性という、コスト感受性の多出力回帰問題として再構成する。
我々の技術的貢献は、コスト不感な正規化、過度の予測と過度の予測の非対称化、真のダウンストリームタスクベースの損失をローカルに模倣するインスタンスベースのコストである。
これらのコンポーネントはトレーニングデータインスタンス毎にゼロまたは1の解決を必要としますが、トレーニング中にそれ以上の解決は必要ありません。
実験により、損失成分の組み合わせは、最先端のタスク品質に匹敵するものの、より効率的であり、これまでDFLで取り組まなかった問題サイズへのスケーリングを可能にした。
関連論文リスト
- Breakeven complexity: A new perspective on neural partial differential equation solvers [13.91054053357187]
APEBenchの2次元周期領域上の3つのPDE上でのニューラルPDEソルバの破壊的複雑性を評価する。
提案手法は, コスト, 寸法, ロールアウト, 物理状態の問題を複雑化するにつれて, ニューラルネットワークによるPDE解法がより効果的になることを示唆する。
論文 参考訳（メタデータ） (2026-05-14T20:33:24Z) - Cost-Aware Learning [72.31444819326795]
本稿では,異なるコンポーネント関数をサンプリングするコスト認識学習の問題点について考察する。
凸関数に対するコスト・アウェア・Descentアルゴリズムを提案し、そのコスト複雑性を導出し誤差を$$$とする。
本稿では,性能を保ちつつポリシー最適化のコストを削減するアルゴリズムであるCost-Aware GRPOを紹介する。
論文 参考訳（メタデータ） (2026-04-30T15:39:09Z) - Scalable Decision Focused Learning via Online Trainable Surrogates [9.624413875440233]
コスト損失関数の評価を効率的な代理に置き換える高速化手法を提案する。
従来定義されていたサロゲートとは異なり、我々のアプローチは、急激な局所最適化のリスクを減らす不偏推定器に依存している。
提案手法は,他の最先端技術に匹敵するソリューション品質で,コストのかかる内部解決コールを削減する。
論文 参考訳（メタデータ） (2025-12-03T15:09:21Z) - 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) - Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。
非滑らかな正規化はしばしば機械学習タスクに組み込まれる。
本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
論文 参考訳（メタデータ） (2025-04-17T08:32:25Z) - Towards Resource-Efficient Federated Learning in Industrial IoT for Multivariate Time Series Analysis [50.18156030818883]
異常と欠落したデータは、産業応用における厄介な問題を構成する。
ディープラーニングによる異常検出が重要な方向として現れている。
エッジデバイスで収集されたデータは、ユーザのプライバシを含む。
論文 参考訳（メタデータ） (2024-11-06T15:38:31Z) - Multi-Resolution Active Learning of Fourier Neural Operators [33.63483360957646]
本稿では,FNO(MRA-FNO)の多解能動的学習を提案する。
具体的には,確率的多分解能FNOを提案し,モンテカルロのアンサンブルを用いて効果的な後部推論アルゴリズムを提案する。
いくつかのベンチマーク演算子学習タスクにおいて,本手法の利点を示した。
論文 参考訳（メタデータ） (2023-09-29T04:41:27Z) - A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical
Computation Offloading [62.34538208323411]
共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。
MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
論文 参考訳（メタデータ） (2023-09-02T11:01:16Z) - Score Function Gradient Estimation to Widen the Applicability of Decision-Focused Learning [17.962860438133312]
決定中心学習(DFL)パラダイムは、例えば後悔など、タスク損失を直接最小化するためのトレーニングによって制限を克服する。
そこで我々は,このような仮定をせずに,任意のタスク損失に作用するスコア関数推定とスムースに組み合わせた代替手法を提案する。
実験の結果、一般的に多くのエポックを必要とするが、専門的な手法と同等であり、特にソリューションの品質、スケーラビリティ、あるいはその両方の観点から、制約の不確実性に悩む問題に対して、特にうまく機能していることが示されている。
論文 参考訳（メタデータ） (2023-07-11T12:32:13Z) - FIRE: A Failure-Adaptive Reinforcement Learning Framework for Edge Computing Migrations [54.34189781923818]
FIREは、エッジコンピューティングのディジタルツイン環境でRLポリシーをトレーニングすることで、まれなイベントに適応するフレームワークである。
ImREは重要なサンプリングに基づくQ-ラーニングアルゴリズムであり、希少事象をその値関数への影響に比例してサンプリングする。
FIREは故障時にバニラRLやグリーディベースラインと比較してコストを削減できることを示す。
論文 参考訳（メタデータ） (2022-09-28T19:49:39Z) - Cost-Effective Federated Learning Design [37.16466118235272]
フェデレーション学習(federated learning, fl)は、多数のデバイスが生のデータを共有することなく、協調的にモデルを学習できる分散学習パラダイムである。
その効率性と有効性にもかかわらず、反復的なオンデバイス学習プロセスは、学習時間とエネルギー消費の面でかなりのコストを伴います。
本稿では,本質的制御変数を最適に選択する適応型flの設計法を分析し,総コストを最小化し,収束性を確保した。
論文 参考訳（メタデータ） (2020-12-15T14:45:11Z)
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。