Fugu-MT 論文翻訳(概要): Generative Robust Optimisation

論文の概要: Generative Robust Optimisation

arxiv url: http://arxiv.org/abs/2606.22536v1
Date: Sun, 21 Jun 2026 14:50:40 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-25 17:41:47.516278
Title: Generative Robust Optimisation
Title（参考訳）: 生成ロバスト最適化
Authors: Yuhui Yin, Vassilis M. Charitopoulos,
Abstract要約: 本稿では,ニューラルネットワークデコーダのイメージとして不確実性セットを定義する枠組みを提案する。このフレームワークを,ガウス混合モデル誘導学習を用いたWasserstein Adrial Autoencoderを用いて,潜在正則性と制約整合性正規化を実現する。
参考スコア（独自算出の注目度）: 4.038424288747438
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Classical uncertainty sets for robust optimisation impose fixed geometric shapes that cannot represent the complex dependencies present in real-world data. We propose Generative Robust Optimisation (GRO), a framework in which a deep generative model defines the uncertainty set as the image of a neural network decoder over a calibrated latent set, naturally accommodating nonlinear correlations, asymmetry, and multimodality. A five-point evaluation framework (reconstruction fidelity, distribution matching, latent regularity, robust relevance, and computational tractability) provides systematic, model-agnostic criteria for assessing any neural network-based uncertainty set. We instantiate this framework with a Wasserstein Adversarial Autoencoder employing Gaussian mixture model-guided training for latent regularity and constraint-consistency regularisation for robust relevance. Restricting the decoder to ReLU activations enables exact worst-case verification through mixed-integer programming embedding. Extensive experiments on a production planning problem across six uncertainty distributions and six generative architectures, together with a multi-period facility location study, validate the framework and demonstrate that systematic attention to all five criteria yields uncertainty sets that are simultaneously expressive, well-calibrated, and optimisation-tractable.
Abstract（参考訳）: 頑健な最適化のための古典的不確実性集合は、実世界のデータに存在する複雑な依存関係を表現できない固定された幾何学的形状を課す。生成ロバスト最適化(GRO)は,ニューラルネットワークデコーダのイメージとして不確実性セットを定義し,非線形相関,非対称性,多モード性を自然に調節するフレームワークである。 5点評価フレームワーク(再構成の忠実性、分布の整合性、潜在正則性、頑健な妥当性、計算的トラクタビリティ)は、任意のニューラルネットワークベースの不確実性セットを評価するための体系的、モデルに依存しない基準を提供する。我々はこのフレームワークを,ガウス混合モデル誘導学習を用いたWasserstein Adversarial Autoencoderを用いて,潜在正則性およびロバスト関連性のための制約整合正則化を用いてインスタンス化する。デコーダをReLUアクティベーションに制限することで、混合整数プログラミングの埋め込みによる正確な最悪の検証が可能になる。 6つの不確実性分布と6つの生成的アーキテクチャにまたがる生産計画問題に関する広範な実験と、多期間の施設立地調査と合わせて、この枠組みを検証し、5つの基準すべてに対する体系的な注意が同時に表現され、よく校正され、最適化可能な不確実性集合をもたらすことを示した。

関連論文リスト

AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
AnchorMoEは、解釈可能な構成別分類フレームワークである。ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
論文参考訳（メタデータ） (2026-06-02T13:30:54Z)
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)
Structure-Aware Robust Counterfactual Explanations via Conditional Gaussian Network Classifiers [0.26999000177990923]
本研究は,条件付き条件グラフに基づく構造認識型ロバストネス・ウンタファクト探索手法を提案する。結果から,本手法は,特に安定な依存関係を提供する元の定式化を直接最適化することにより,強い整合性を実現することが示された。提案手法は,非循環的制約下での非実効的推論における今後の進歩の基盤となる。
論文参考訳（メタデータ） (2026-02-08T15:51:45Z)
Not All Preferences Are Created Equal: Stability-Aware and Gradient-Efficient Alignment for Reasoning Models [52.48582333951919]
ポリシー更新の信号対雑音比を最大化することにより、アライメントの信頼性を高めるために設計された動的フレームワークを提案する。 SAGE(Stability-Aware Gradient Efficiency)は、モデル能力に基づいて候補プールをリフレッシュする粗いきめ細かいカリキュラムメカニズムを統合する。複数の数学的推論ベンチマークの実験により、SAGEは収束を著しく加速し、静的ベースラインを上回っていることが示された。
論文参考訳（メタデータ） (2026-02-01T12:56:10Z)
Optimal Regularization Under Uncertainty: Distributional Robustness and Convexity Constraints [9.77322868877488]
分布的に堅牢な最適正規化のためのフレームワークを導入する。トレーニング分布の計算と均一な事前計算との間には,ロバストな正則化器がどのように介在するかを示す。
論文参考訳（メタデータ） (2025-10-03T19:35:38Z)
Causality-Inspired Robustness for Nonlinear Models via Representation Learning [4.64479351797195]
分散ロバスト性は,実世界のデータにおける分布シフトの偏りから,予測アルゴリズムの中心的な目標である。本稿では,因果的枠組みに基づく非線形手法を提案する。我々の知る限り、これは非線形設定においてそのような有限半径頑健性を保証するような因果性に着想を得た最初のロバスト性法である。
論文参考訳（メタデータ） (2025-05-19T08:52:15Z)
Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。本手法は, 精度の高い問題に特に適している。提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
論文参考訳（メタデータ） (2023-11-08T00:10:21Z)
The Boundaries of Verifiable Accuracy, Robustness, and Generalisation in Deep Learning [71.14237199051276]
経験的リスクを最小限に抑えるため,古典的な分布に依存しないフレームワークとアルゴリズムを検討する。理想的な安定かつ正確なニューラルネットワークの計算と検証が極めて難しいタスク群が存在することを示す。
論文参考訳（メタデータ） (2023-09-13T16:33:27Z)
At the Intersection of Deep Sequential Model Framework and State-space Model Framework: Study on Option Pricing [2.3224617218247126]
非線形力学系の推論と予測問題は様々な文脈で発生してきた。深層シーケンシャルモデルと状態空間モデルの両方を統一し、両方のフレームワークの優位性を実現するモデルを提案する。
論文参考訳（メタデータ） (2020-12-14T18:21:41Z)
A general framework for defining and optimizing robustness [74.67016173858497]
分類器の様々な種類の堅牢性を定義するための厳密でフレキシブルなフレームワークを提案する。我々の概念は、分類器の堅牢性は正確性とは無関係な性質と考えるべきであるという仮定に基づいている。我々は,任意の分類モデルに適用可能な,非常に一般的なロバスト性フレームワークを開発する。
論文参考訳（メタデータ） (2020-06-19T13:24:20Z)

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。