論文の概要: S3TS: Stochastic Scenario-Structured Tree Search for Advanced Planning Under Uncertainty

• arxiv url: http://arxiv.org/abs/2606.02151v1
• Date: Mon, 01 Jun 2026 12:17:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:31.983919
• Title: S3TS: Stochastic Scenario-Structured Tree Search for Advanced Planning Under Uncertainty
• Title（参考訳）: S3TS: 不確実性下での高度な計画のための確率的シナリオ構造木探索
• Authors: Fabio Pavirani, Bert Claessens, Pierre Pinson, Chris Develder,
• Abstract要約: 効果的な計画戦略は、高度で潜在的に非線形なシステムモデルに対応する必要がある。 既存のアプローチは非線形性(モンテカルロ木探索など)や不確実性に対処することができる。 本研究ではシナリオツリーによる不確実性を明確に表現するS3TSアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 4.2329543571238615
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Effective scheduling in the energy sector is essential to ensure the reliable operation of electrical grids and their connected assets by, for instance, optimizing the dispatch of generation units and storage systems. An effective planning strategy must (a) accommodate advanced and potentially non-linear system models -- exploiting the increasing data availability of modern grids, and (b) explicitly handle uncertainties arising, for instance, from the integration of renewable energy sources. While existing approaches can address either non-linearity (e.g., Monte Carlo Tree Search) or uncertainty (e.g., stochastic mathematical optimization), there is a lack of planning techniques capable of addressing both challenges simultaneously. To bridge this gap, we propose a Stochastic Scenario-Structured Tree Search (S3TS) algorithm that explicitly represents uncertainty through scenario trees while enabling the integration of advanced non-linear models. We evaluate S3TS on a simulated demand response signal publication problem, largely mimicking the imbalance settlement mechanism in Belgium. The results demonstrate near-optimal performance in linear, analytically tractable settings, with costs within 14% of the mathematically optimal solution conditioned to the scenario trees. In highly non-linear scenarios, S3TS significantly outperforms baseline methods, achieving cost reductions of up to 51% and 5.4% compared to a myopic algorithm and deterministic MCTS, respectively.
• Abstract（参考訳）: エネルギーセクターにおける効果的なスケジューリングは、例えば発電ユニットと貯蔵システムの分散を最適化することで、電力網とその接続資産の信頼性の高い運用を保証するために不可欠である。 効果的な計画戦略 (a) 最新のグリッドのデータ可用性の増大を生かして、高度で潜在的に非線形なシステムモデルに対応する。 b) 再生可能エネルギー源の統合等により生じる不確実性に明示的に対処すること。 既存のアプローチでは、非線形性(モンテカルロ木探索など)や不確実性(確率的数学的最適化など)に対処できるが、両方の課題に同時に対処できる計画手法が欠如している。 このギャップを埋めるために,シナリオツリーによる不確実性を明確に表現し,高度な非線形モデルの統合を可能にする確率シナリオ構造木探索(S3TS)アルゴリズムを提案する。 本研究では,ベルギーにおける不均衡解決機構を模擬した需要応答信号パブリッシング問題に対するS3TSの評価を行った。 その結果、線形で解析的に抽出可能な環境での最適に近い性能を示し、シナリオツリーに条件付けられた数学的に最適解の14%以内のコストがかかることがわかった。 高度に非線形なシナリオでは、S3TSはベースライン法を著しく上回り、ミオピックアルゴリズムと決定論的MCTSと比較して、最大51%と5.4%のコスト削減を実現している。

関連論文リスト

• Fitting Unknown Number of Hyperplanes with Manifold Optimization [57.48093263119306]
  未知数の線形平面をデータに適合させることは、機械学習の根本的な課題である。 既存のアプローチはしばしば最適な最適化に苦しむか、幾何的整合性に欠ける。
  論文  参考訳（メタデータ） (2026-05-27T14:02:20Z)
• Bridging Theory and Practice: A Stochastic Learning-Optimization Model for Resilient Automotive Supply Chains [0.0]
  サプライチェーンの混乱と不安定な需要は、ジャスト・イン・タイム(JIT)製造に大きく依存している英国の自動車業界にとって大きな課題となっている。 本稿では,ベイズ推論と在庫最適化を統合した新しい学習最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-09T17:51:51Z)
• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• Momentum-constrained Hybrid Heuristic Trajectory Optimization Framework with Residual-enhanced DRL for Visually Impaired Scenarios [4.735413508037063]
  本稿では,視覚障害者の補助ナビゲーションに適した運動量制約付きハイブリッド軌道最適化フレームワーク(MHHTOF)を提案する。 残留深部強化学習(DRL)による軌道サンプリング生成、最適化、評価の統合 実験の結果,提案したLSTM-BResPPOは,PPOが要求する約半数のトレーニングにおいて,安定な政策性能を実現することができることがわかった。
  論文  参考訳（メタデータ） (2025-09-19T04:33:39Z)
• Diffusion-Based Scenario Tree Generation for Multivariate Time Series Prediction and Multistage Stochastic Optimization [16.795461001108098]
  Diffusion Scenario Tree (DST) は多変量予測タスクのためのシナリオツリーを構築するための一般的なフレームワークである。 ニューヨーク州の日頭電力市場におけるエネルギー仲裁の最適化に関する枠組みを評価する。
  論文  参考訳（メタデータ） (2025-09-18T10:49:05Z)
• UncertaintyRAG: Span-Level Uncertainty Enhanced Long-Context Modeling for Retrieval-Augmented Generation [93.38604803625294]
  IncertaintyRAG, a novel approach for long-context Retrieval-Augmented Generation (RAG)について紹介する。 我々は、SNR(Signal-to-Noise Ratio)ベースのスパン不確実性を用いて、テキストチャンク間の類似性を推定する。 不確かさRAGはLLaMA-2-7Bでベースラインを2.03%上回り、最先端の結果を得る。
  論文  参考訳（メタデータ） (2024-10-03T17:39:38Z)
• Dynamic Bayesian Network Auxiliary ABC-SMC for Hybrid Model Bayesian Inference to Accelerate Biomanufacturing Process Mechanism Learning and Robust Control [2.727760379582405]
  本稿では,バイオプロセッシング機構の複雑な因果関係を特徴付ける知識グラフハイブリッドモデルを提案する。 非線形反応、部分的に観察された状態、非定常力学を含む重要な性質を忠実に捉えることができる。 我々は、メカニズム学習を容易にし、ロバストなプロセス制御を支援する後部分布モデルの不確かさを導出する。
  論文  参考訳（メタデータ） (2022-05-05T02:54:21Z)
• Pessimistic Q-Learning for Offline Reinforcement Learning: Towards Optimal Sample Complexity [51.476337785345436]
  有限水平マルコフ決定過程の文脈におけるQ-ラーニングの悲観的変種について検討する。 ほぼ最適サンプル複雑性を実現するために,分散再現型悲観的Q-ラーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-02-28T15:39:36Z)
• A Priori Denoising Strategies for Sparse Identification of Nonlinear Dynamical Systems: A Comparative Study [68.8204255655161]
  本研究では, 局所的およびグローバルな平滑化手法の性能と, 状態測定値の偏差について検討・比較する。 一般に,測度データセット全体を用いたグローバルな手法は,局所点の周辺に隣接するデータサブセットを用いる局所的手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-01-29T23:31:25Z)
• A Dynamical Systems Approach for Convergence of the Bayesian EM Algorithm [59.99439951055238]
  我々は、(離散時間)リアプノフ安定性理論が、必ずしも勾配ベースではない最適化アルゴリズムの分析(および潜在的な設計)において、いかに強力なツールとして役立つかを示す。 本稿では,不完全データベイズフレームワークにおけるパラメータ推定を,MAP-EM (maximum a reari expectation-maximization) と呼ばれる一般的な最適化アルゴリズムを用いて行うことに着目したML問題について述べる。 高速収束(線形あるいは二次的)が達成され,S&Cアプローチを使わずに発表することが困難であった可能性が示唆された。
  論文  参考訳（メタデータ） (2020-06-23T01:34:18Z)

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。