論文の概要: Latency-Aware Bid Acceptance under Operational Feasibility: A Public Benchmark with Hindsight Ceilings

• arxiv url: http://arxiv.org/abs/2607.07343v1
• Date: Wed, 08 Jul 2026 12:34:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.369845
• Title: Latency-Aware Bid Acceptance under Operational Feasibility: A Public Benchmark with Hindsight Ceilings
• Title（参考訳）: 操作性を考慮した遅延認識バイドアクセプタンス:隠れシーリングを用いた公開ベンチマーク
• Abstract要約: 本稿では,FreightBidBenchを紹介した。FreightBidBenchは依存性のないクローズドループベンチマークで,オンライン入札を受理する。 公立貨物分析フレームワークとアメリカ合衆国農務省のトラックの速度データから明示的、バージョン管理され、再現可能である。 簡単なLPスタイルのリラクゼーションと,よりタイトなラグランジアン・パー・トラック情報リラクゼーションという,2つのフルホライゾン型後光天井を開発した。
• 参考スコア（独自算出の注目度）: 6.287457666346811
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Online truckload bid acceptance is a closed-loop stochastic decision problem in which a carrier or broker must, in real time, accept or reject a tendered load subject to operational feasibility, fleet repositioning costs, and opportunity cost against future demand. Public, reproducible benchmarks for this problem are scarce: existing routing benchmarks are static, while dynamic-fleet studies typically rely on private operator data. We introduce FreightBidBench, a public-calibrated, dependency-free, closed-loop benchmark in which feasibility (pickup reach, appointment windows, simplified hours-of-service, stochastic yard delays) and economics (service-failure penalty, terminal fleet value, daily price-premium window) are explicit, versioned, and reproducible from public Freight Analysis Framework and U.S. Department of Agriculture truck rate data. We develop two full-horizon hindsight ceilings: a simple LP style relaxation and a tighter Lagrangian-per-truck information relaxation that retains per-truck hours-of-service and sequencing structure and is 20.7% tighter than the LP relaxation on a tight-capacity scenario and 39.3% tighter on a scarce-capacity scenario. We introduce a parametric surrogate-rollout cascade with boundary-band and scarcity-pressure escalation triggers. On ten-seed tight and scarce scenarios, the best simple policy retains 91.0% and 86.5% of rollout profit and the standard-library surrogate 94.2% and 89.3%; a cascade at a single escalation band recovers roughly 98% on both at 40-56% of rollout's mean decision latency, and on the tight scenario is statistically indistinguishable from the rollout teacher (paired-bootstrap 95% CI on the profit delta spans zero).
• Abstract（参考訳）: オンライントラックロード入札の受理は、キャリヤまたはブローカーが、運用可能性、艦隊再配置コスト、将来の需要に対する機会コストを、リアルタイムに受け入れ、拒否しなければならない、閉ループ確率的決定問題である。 既存のルーティングベンチマークは静的であり、動的フリートの研究は通常、プライベートオペレータデータに依存している。 本稿では,FreightBidBenchについて紹介する。FreightBidBenchは,ファイバビリティ(ピックリーチ,アポイントウインドウ,サービス時間短縮,確率的ヤード遅延)とエコノミクス(サービス障害ペナルティ,ターミナルフリート値,日々の価格設定ウインドウ)が明示され,バージョニングされ,公開フリート分析フレームワークと米国農務省のトラックレートデータから再現可能な,パブリックキャリブレーション,依存性のないクローズドループベンチマークである。 簡単なLPスタイルのリラクゼーションと、トラック毎のラグランジアン・パー・トラック情報リラクゼーションにより、トラック毎の時間とシークエンシング構造を保ち、強大な容量シナリオでのLPリラクゼーションよりも20.7%、希少な容量シナリオでは39.3%厳密な2つのフルホライゾン後部天井を開発する。 パラメトリックサロゲートロールアウトカスケードに境界バンドと低圧エスカレーショントリガを導入した。 十種密接かつ希少なシナリオでは、最も単純な政策はロールアウト利益の91.0%と86.5%を保ち、標準ライブラリーサロゲート94.2%と89.3%を保ち、単一エスカレーションバンドのカスケードはロールアウトの平均決定遅延の40-56%で約98%回復し、厳密なシナリオではロールアウト教師と統計的に区別できない(収益差の95%CIはゼロである)。

関連論文リスト

• Adaptive Finite-Budget Training for CVaR Risk-Aware Q-Learning [7.373349445059511]
  リスク対応Q-ラーニング(RaQL)は、動的リスク目標に対するモデルフリーで2時間スケールの推定手段を提供する。 本稿では,CVaR(Conditional Value-at-Risk) RaQLの適応型トレーニングコントローラを提案し,これを日々のBitcoin取引タスクで評価する。
  論文  参考訳（メタデータ） (2026-08-05T00:26:22Z)
• A Self-Triggered Agentic Push Recommendation System [77.13502692161426]
  プッシュ通知は、大規模プラットフォームにおける重要なレコメンデーションシナリオである。 本稿では,プロアクティブ・セルフトリガー・エンド・ツー・エンドのエージェント・プッシュ・レコメンデーションシステムを提案する。 STEPSはすでにDouyinに10億人以上のユーザーを抱えている。
  論文  参考訳（メタデータ） (2026-08-03T09:20:53Z)
• SFGA: A Statistics-First Gating Architecture with Adjudicative Escalation for Trustworthy SFT Data Procurement [2.8129261352670003]
  我々は、調達をコストに配慮したルーティング問題として扱う統計第一のゲーティングアーキテクチャであるsysを提案する。 ゲートは間隔が狭く、サンプルサイズが適切で、軸が一致する場合にのみ決定を受理する。 コンサイドの勝利率は0.80、ポジションフリップ率は52%である。
  論文  参考訳（メタデータ） (2026-07-21T10:52:04Z)
• Constrained Path Reasoning: Measuring When Committed Stages Earn Their Cost [2.9867974725783113]
  Constrained Path Reasoning (CPR)は、ソース認識パス仮説とステージレベルの会計とをペアリングする。 CPRは、タスク互換のコミットメントは、移行を分解し、候補の質量を集中し、正規性を誘導し、そのゲインが宣伝されたエラーや実行コストを超えたときにフィードバックを公開することができると予測している。
  論文  参考訳（メタデータ） (2026-07-19T13:11:18Z)
• A Deep Reinforcement Learning Algorithm for the Vehicle Routing Problem with Stochastic Demands and Outsourcing [0.0]
  要求とアウトソーシングオプションによる車両ルーティング問題(VRP-SDO) コミットしたサブセットに対してほぼ瞬時にコストを見積もるオフラインルーティングポリシを学びます。 実験の結果,現状の手法と比較して,ルーティングコストを19.6%削減できることがわかった。
  論文  参考訳（メタデータ） (2026-07-18T16:27:05Z)
• Mean Time to Remediate Is Not a Fielding Model: A Cadence Audit for Enterprise Vulnerability Management [51.56484100374058]
  本稿では,企業脆弱性管理のための改善ケイデンス監査について紹介する。 平均ラグ、放出期間、放出率、コホート幾何、緊急/ルーチン分割、非着地遅延、局所残留圧証拠、宣言されたレートシナリオを記録している。
  論文  参考訳（メタデータ） (2026-07-05T21:23:26Z)
• FORCE: Efficient VLA Reinforcement Fine-Tuning via Value-Calibrated Warm-up and Self-Distillation [40.53898394579726]
  FORCEは、両方の問題に取り組むことで微調整を安定化する3段階のフレームワークである。 FORCEは成功率を79%向上させ、RL法を10%向上させ、トレーニングを32.5%加速させた。
  論文  参考訳（メタデータ） (2026-06-24T16:23:18Z)
• Security-Induced Braess Paradoxes in Service Function Chain Orchestration [0.0]
  サービス機能チェーン(SFC)オーケストレーションにおけるセキュリティによるBraessパラドックスについて検討した。 防御的オプションを追加することで、トラフィックの集中と共有セキュリティリソースの敵対的価値によって、適応後の均衡が悪化する。
  論文  参考訳（メタデータ） (2026-06-16T14:40:24Z)
• RouteNLP: Closed-Loop LLM Routing with Conformal Cascading and Distillation Co-Optimization [13.891522069967507]
  RouteNLPはクローズドループフレームワークで、タイアップされたモデルポートフォリオにクエリをルーティングし、タスク毎の品質制約を満たすとともに、コストを最小限に抑える。 企業顧客サービス部門の8週間のパイロットデプロイメント処理で、RuteNLPは推論コストを58%削減し、91%の応答受け入れを維持し、p99レイテンシを1,847msから387msに削減した。
  論文  参考訳（メタデータ） (2026-04-26T07:34:36Z)
• From Risk to Rescue: An Agentic Survival Analysis Framework for Liquidation Prevention [46.90931293070464]
  本稿では,リスクを認識し,対実的未来をシミュレートし,積極的に清算を防止するためのプロトコルに忠実な介入を行う自律エージェントを提案する。 我々は,ハイリスクユーザプロファイル4,882のコホート上で,高忠実でプロトコルに忠実なAave v3シミュレータを用いて,我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2026-04-16T03:22:05Z)
• LLM Readiness Harness: Evaluation, Observability, and CI Gates for LLM/RAG Applications [51.56484100374058]
  評価をデプロイメント決定ワークフローに変換するLLMおよびRAGアプリケーションのための準備性ハーネスを提案する。 このシステムは、最小限のAPI契約の下で、自動ベンチマーク、OpenTelemetryオブザーバビリティ、CI品質ゲートを組み合わせる。 チケットルーティングとBEIRタスクのハーネスを、完全なAzureマトリックスカバレッジで評価する。
  論文  参考訳（メタデータ） (2026-03-28T18:03:32Z)
• ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
  ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。 我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-02-27T05:22:01Z)
• Calibrated uncertainty quantification for prosumer flexibility aggregation in ancillary service markets [0.9612977347324178]
  本稿では,モンテカルロ・ドロップアウト(MCD)と共形予測(CP)を統合したスケーラブルな不確実性フレームワークを提案する。 大規模な合成データセットは、業界グレードの家庭用エネルギー管理システムを使用して生成され、公的に利用可能な負荷、太陽、価格、アクティベーション、デバイスレベルのデータと組み合わせられる。 その結果,スタンドアローンのMCDは可利用な柔軟性を過大評価し,P90準拠に反するが,提案したMCD-CPフレームワークは制御された保守性で信頼性の高いカバレッジを達成できることがわかった。
  論文  参考訳（メタデータ） (2026-01-21T05:21:31Z)
• Reliable LLM-Based Edge-Cloud-Expert Cascades for Telecom Knowledge Systems [54.916243942641444]
  大規模言語モデル(LLM)は、通信などの分野において、自動化の鍵となる存在として浮上している。 本研究では,問合せパイプラインによる意思決定を支援する,エッジクラウドに精通したLLMベースの知識システムについて検討する。
  論文  参考訳（メタデータ） (2025-12-23T03:10:09Z)
• Scalable Ride-Sourcing Vehicle Rebalancing with Service Accessibility Guarantee: A Constrained Mean-Field Reinforcement Learning Approach [42.070187224580344]
  連続状態平均場制御(MFC)と平均場強化学習(MFRL)モデルを導入する。 MFCとMFRLは、個々の車両ではなく、車両分布との相互作用を通じて各車両の挙動をモデル化することで、スケーラブルなソリューションを提供する。 我々のアプローチは数万台の車両にスケールし、トレーニング時間は1つの線形プログラミングリバランスの決定時間に匹敵する。
  論文  参考訳（メタデータ） (2025-03-31T15:00:11Z)
• Preference-aware compensation policies for crowdsourced on-demand services [3.9244028387955017]
  クラウドソーシングされたオンデマンドサービスは、コスト削減、サービス充足時間の短縮、適応性の向上、オンデマンドデリバリのコンテキストにおける持続可能な都市交通へのコントリビューションといったメリットを提供する。 しかし、クラウドソーシングを活用したオンデマンドプラットフォームの成功は、ギグワーカーの魅力的なオファーと収益性の確保のバランスをとるための補償策を見つけることに依存している。 本研究では、ギグワーカーの要求特化報酬を個別の時間枠で設定するオンデマンドプラットフォームにおける動的価格問題について検討する。
  論文  参考訳（メタデータ） (2025-02-07T16:33:16Z)
• FedSpeed: Larger Local Interval, Less Communication Round, and Higher Generalization Accuracy [84.45004766136663]
  フェデレートラーニング(Federated Learning)は、分散機械学習フレームワークである。 これは、局所的不整合最適と局所的過度な適合による頑丈なクライアントドリフトによってもたらされる非消滅バイアスに悩まされる。 本稿では,これらの問題による負の影響を軽減するために,新しい実用的手法であるFedSpeedを提案する。
  論文  参考訳（メタデータ） (2023-02-21T03:55:29Z)
• 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)
• Real-time and Large-scale Fleet Allocation of Autonomous Taxis: A Case Study in New York Manhattan Island [14.501650948647324]
  従来のモデルは、供給(自動タクシー)と需要(トリップ)の不均衡に対処するために、利用可能な船隊を効率的に割り当てることに失敗した 艦隊配置決定をモデル化するために、制約付きマルチエージェントマルコフ決定プロセス(CMMDP)を用いる。 また、カラム生成アルゴリズムを利用して、大規模に効率性と最適性を保証する。
  論文  参考訳（メタデータ） (2020-09-06T16:00:15Z)

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。