論文の概要: Position Paper: Post-Solve Robustness in Decision Engines: Feasible Regions and Smoothness Under Perturbations
- arxiv url: http://arxiv.org/abs/2606.00002v1
- Date: Wed, 25 Mar 2026 03:34:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-15 07:09:36.559779
- Title: Position Paper: Post-Solve Robustness in Decision Engines: Feasible Regions and Smoothness Under Perturbations
- Title（参考訳）: 位置紙:決定エンジンにおける後固形ロバスト性:摂動下における可及的領域と平滑性
- Abstract要約: Mixed-Integer Linear Programming (MILP)決定エンジンは、高スループット産業システムのための名目上最適な計画を定期的に出力する。
デプロイメントは解決時間の仮定とほとんど一致しない。
コスト、要求、資源の可用性の小さな摂動は、実現可能性の無効化や、質的に異なるソリューションへの不連続なシフトを引き起こす可能性がある。
- 参考スコア（独自算出の注目度）: 0.913755431537592
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Mixed-Integer Linear Programming (MILP) decision engines routinely output nominally optimal plans for high-stakes industrial systems. Yet deployment rarely matches solve-time assumptions: small perturbations in costs, demands, or resource availability can invalidate feasibility or trigger discontinuous shifts to qualitatively different solutions. We argue that this post-solve robustness gap is a missing layer in today's optimization pipelines and a missing evaluation dimension for learning-enabled decision systems. Rather than replacing robust optimization or stochastic programming, the proposed layer audits a solved incumbent and returns solver-backed evidence about how far that solution can be trusted. We formalize two central objects: (i) an $ε$-near-optimal feasible neighborhood in parameter space, capturing when an incumbent remains feasible and near-optimal under perturbations, and (ii) solution smoothness in decision space, capturing whether nearby alternatives with small combinatorial edits remain competitive. We then synthesize the most relevant partial answers from sensitivity and stability analysis, robust optimization, neighborhood search, adversarial testing, and learning-based enhancements, and articulate an agenda for a unified post-solve robustness layer. Concretely, we call for certified inner approximations around the incumbent, probabilistic robustness estimation with calibrated uncertainty, adversarial robustness margins, and learning-based prediction and explanation aligned with solver-backed verification. We conclude with a compact reporting template and evaluation protocol that would make robustness a first-class output of decision engines.
- Abstract（参考訳）: Mixed-Integer Linear Programming (MILP)決定エンジンは、高スループット産業システムのための名目上最適な計画を定期的に出力する。
コスト、要求、リソースの可用性の小さな摂動は、実現可能性の無効化や、質的に異なるソリューションへの不連続なシフトを引き起こす可能性がある。
この解決後の堅牢性ギャップは、今日の最適化パイプラインに欠落したレイヤであり、学習可能な意思決定システムに対する評価の欠如である、と私たちは主張する。
堅牢な最適化や確率的プログラミングを置き換えるのではなく、提案されたレイヤは解決済みの既存を監査し、そのソリューションがどの程度信頼できるかという解決者支援の証拠を返す。
2つの中心オブジェクトを形式化する。
(i)パラメータ空間における$ε$-near-optimal feasible feasible neighborhood,incumbentが摂動下で実現可能でほぼ最適である場合のキャプチャ、
(II) 決定空間における解の滑らかさは, 近傍の組合せ編集の代替品が競争力を保つかどうかを判断する。
次に、感度と安定性の分析、ロバストな最適化、近隣探索、対角テスト、学習に基づく拡張から最も関連性の高い部分回答を合成し、統合された解決後のロバスト性レイヤのアジェンダを明確にする。
具体的には,既存の不確実性を校正した確率的頑健性評価,逆ロバスト性マージン,および問題解決者支援による検証と整合した学習に基づく予測と説明等に関する内的近似を求める。
我々は、意思決定エンジンの第一級出力として堅牢性を実現するための、コンパクトなレポートテンプレートと評価プロトコルで締めくくった。
関連論文リスト
- Learning Polyhedral Conformal Sets for Robust Optimization [10.504036065018216]
本稿では,頑健な最適化目標に適した不確実性集合を学習する,意思決定対応型コンフォメーションフレームワークを提案する。
提案手法は,データ駆動型超平面による多面体集合のフレキシブルなファミリーをパラメータ化し,誘導されたロバスト損失を直接最小化することでそれらの幾何学を学習する。
オラクル決定に対する準最適ギャップの有限サンプルカバレッジ保証とバウンダリを提供する。
論文 参考訳（メタデータ） (2026-05-08T21:39:41Z) - AutoQResearch: LLM-Guided Closed-Loop Policy Search for Adaptive Variational Quantum Optimization [3.652509571098291]
AutoQResearchは、このタスクを、キュレートされたデザイン空間上のシーケンシャルなポリシー検索とみなしている。
単一の静的設定の代わりに、フレームワークは適応的なソルバ制御ポリシーを検索する。
我々は、最大独立セットと容量化車両ルーティング問題に関する枠組みを評価する。
論文 参考訳（メタデータ） (2026-04-27T10:16:25Z) - Robust Optimization Approach and Learning Based Hide-and-Seek Game for Resilient Network Design [10.37026246853005]
本研究では、信号が許容しきい値以下になる前に、信号が限られた距離までしか転送できない、レジリエントで信頼性の高い通信ネットワークの設計について検討する。
過度な信号劣化が発生した場合、選択されたネットワークノードにインストールされた再生器を通して再生する必要がある。
論文 参考訳（メタデータ） (2026-02-12T11:48:24Z) - End-to-End Conformal Calibration for Optimization Under Uncertainty [32.844953018302874]
本稿では,条件最適化のための不確実性推定を学習するためのエンドツーエンドフレームワークを開発する。
さらに,部分凸ニューラルネットワークを用いた任意の凸不確実性集合の表現を提案する。
我々のアプローチは2段階最適化によって一貫して改善される。
論文 参考訳（メタデータ） (2024-09-30T17:38:27Z) - Rigorous Probabilistic Guarantees for Robust Counterfactual Explanations [80.86128012438834]
モデルシフトに対する反ファクトの堅牢性を計算することはNP完全であることを示す。
本稿では,頑健性の厳密な推定を高い保証で実現する新しい確率論的手法を提案する。
論文 参考訳（メタデータ） (2024-07-10T09:13:11Z) - Online POMDP Planning with Anytime Deterministic Optimality Guarantees [13.824288326240927]
近似解と最適解の間の離散POMDPに対する決定論的関係を導出する。
我々の導出は、新しいアルゴリズムセットの道を提供し、既存のアルゴリズムにアタッチできることを示します。
論文 参考訳（メタデータ） (2023-10-03T04:40:38Z) - Fully Stochastic Trust-Region Sequential Quadratic Programming for
Equality-Constrained Optimization Problems [62.83783246648714]
目的と決定論的等式制約による非線形最適化問題を解くために,逐次2次プログラミングアルゴリズム(TR-StoSQP)を提案する。
アルゴリズムは信頼領域半径を適応的に選択し、既存の直線探索StoSQP方式と比較して不確定なヘッセン行列を利用することができる。
論文 参考訳（メタデータ） (2022-11-29T05:52:17Z) - Reinforcement Learning with a Terminator [80.34572413850186]
我々は, TerMDP のパラメータを学習し, 推定問題の構造を活用し, 状態ワイドな信頼境界を提供する。
我々はこれらを用いて証明可能な効率のよいアルゴリズムを構築し、終端を考慮し、その後悔を抑える。
論文 参考訳（メタデータ） (2022-05-30T18:40:28Z) - Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。
本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
論文 参考訳（メタデータ） (2021-05-17T08:36:18Z) - Global Optimization of Objective Functions Represented by ReLU Networks [77.55969359556032]
ニューラルネットワークは複雑で非敵対的な関数を学ぶことができ、安全クリティカルな文脈でそれらの正しい振る舞いを保証することは困難である。
ネットワーク内の障害を見つけるための多くのアプローチ(例えば、敵の例)があるが、これらは障害の欠如を保証できない。
本稿では,最適化プロセスを検証手順に統合し,本手法よりも優れた性能を実現する手法を提案する。
論文 参考訳（メタデータ） (2020-10-07T08:19:48Z) - 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。