論文の概要: How much Data do We Need? Sequential Data Collection for Stochastic Programming

• arxiv url: http://arxiv.org/abs/2607.10207v1
• Date: Sat, 11 Jul 2026 08:37:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.339638
• Title: How much Data do We Need? Sequential Data Collection for Stochastic Programming
• Title（参考訳）: どのくらいのデータが必要なのか?確率的プログラミングのための逐次データ収集
• Authors: Xin Li, Juergen Branke, Xuan Vinh Doan,
• Abstract要約: データ駆動最適化における逐次データ収集のための最適停止問題について検討する。 本稿では,情報ゲインとサンプリングコストのバランスをとるため,利益駆動型停止フレームワークを提案する。 その結果、利益駆動型停止ルールは不要なデータ収集を大幅に削減できることがわかった。
• 参考スコア（独自算出の注目度）: 4.522310554705239
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Data-driven optimization often requires collecting data to estimate uncertain model parameters before solving the underlying decision problem. In practice, however, data acquisition may incur non-negligible costs, making it critical to determine when to stop additional data collection. In this paper, we study an optimal stopping problem for sequential data collection in stochastic optimization under parameter uncertainty. We propose a benefit-driven stopping framework that balances information gain and sampling cost. We model the unknown distribution parameter within a Bayesian learning framework and update beliefs sequentially as new observations are collected. At each iteration, the decision maker evaluates the expected marginal benefit of additional data relative to the unit sampling cost and determines whether to continue sampling or stop and implement the optimization decision. Based on this framework, we develop several stopping policies. The proposed policies are evaluated through a newsvendor problem with exponentially distributed demand. Numerical experiments compare the policies with fixed-budget and hindsight benchmark strategies. The results show that benefit-driven stopping rules can substantially reduce unnecessary data collection while achieving near-optimal decision performance, demonstrating the effectiveness of adaptive stopping in data-driven optimization.
• Abstract（参考訳）: データ駆動最適化は、根底にある決定問題を解決する前に、不確実なモデルパラメータを推定するためにデータを収集する必要があることが多い。 しかし、実際には、データ取得は無視できないコストを引き起こす可能性があるため、追加のデータ収集をいつ停止するかを判断することが重要になる。 本稿では,パラメータの不確かさ下での確率的最適化における逐次データ収集の最適停止問題について検討する。 本稿では,情報ゲインとサンプリングコストのバランスをとるため,利益駆動型停止フレームワークを提案する。 ベイズ学習フレームワーク内の未知分布パラメータをモデル化し,新しい観測結果が収集されるにつれて,信念を逐次更新する。 各イテレーションにおいて、決定者は、ユニットサンプリングコストに対する追加データの期待される限界利益を評価し、サンプリングを継続するか、停止するかを判断し、最適化決定を実行する。 この枠組みに基づいて、我々はいくつかの停止ポリシーを策定する。 提案手法は,指数関数的に分散された需要をもつニューズベンダー問題を通じて評価される。 数値実験は、政策を固定予算と後見ベンチマークの戦略と比較する。 その結果、データ駆動最適化における適応停止の有効性を実証し、ほぼ最適決定性能を達成しつつ、不必要なデータ収集を大幅に削減できることがわかった。

関連論文リスト

• Robust Assortment Optimization from Observational Data [32.720761309403436]
  本稿では,顧客選択行動の分散的変化を考慮に入れた,データ駆動型アソシエーション最適化のためのフレームワークを提案する。 当社のアプローチは、データを生成し、最悪の予測収益を最大化しようとする名目選択モデルから、潜在的な選好シフトをモデル化する。
  論文  参考訳（メタデータ） (2026-02-11T09:57:16Z)
• A Principled Approach to Randomized Selection under Uncertainty: Applications to Peer Review and Grant Funding [61.86327960322782]
  本稿では,各項目の品質の間隔推定に基づくランダム化意思決定の枠組みを提案する。 最適化に基づく最適化手法であるMERITを導入する。 MERITが既存のアプローチで保証されていない望ましい公理特性を満たすことを証明している。
  論文  参考訳（メタデータ） (2025-06-23T19:59:30Z)
• OPO: Making Decision-Focused Data Acquisition Decisions [0.0]
  本稿では,文脈最適化問題における変数のデータ取得決定のためのモデルを提案する。 本研究では, 線形目的関数を学習することにより, 厳密な制約でデータ取得問題を解く。 そこで本研究では,様々な学習モダリティを伴って問題を緩和し,多変量最適化アプローチがランダム検索戦略より優れていることを示す。
  論文  参考訳（メタデータ） (2025-04-21T12:41:35Z)
• Online Data Collection for Efficient Semiparametric Inference [41.49486724979923]
  提案する2つのオンラインデータ収集ポリシーであるExplore-then-CommitとExplore-then-Greedyは、パラメータ推定を所定の時間で使用して、将来のステップで残りの予算を最適に割り当てる。 両政策がオラクル政策に対してゼロ後悔(MSEによる評価)を達成することを実証する。
  論文  参考訳（メタデータ） (2024-11-05T15:40:53Z)
• Diffusion Models as Constrained Samplers for Optimization with Unknown Constraints [55.39203337683045]
  拡散モデルを用いてデータ多様体内で最適化を行う。 目的関数の微分可能性に応じて,2つの異なるサンプリング手法を提案する。 提案手法は,従来の最先端のベースラインよりも優れた,あるいは同等のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-02-28T03:09:12Z)
• Experiment Planning with Function Approximation [49.50254688629728]
  本研究では,文脈的帯域幅問題における関数近似を用いた実験計画の問題点について検討する。 本稿では,関数近似に適合する2つの実験計画戦略を提案する。 そこで, 均一サンプリング器は, 動作数が少ない設定において, 競合最適性を達成できることを示す。
  論文  参考訳（メタデータ） (2024-01-10T14:40:23Z)
• Optimizing Data Collection for Machine Learning [87.37252958806856]
  現代のディープラーニングシステムは、素晴らしいパフォーマンスを達成するために巨大なデータセットを必要とします。 過度に収集したデータは不要な現在のコストを発生させる一方、過度に収集したデータは将来のコストと遅延を引き起こす可能性がある。 本稿では,データ収集を形式的最適データ収集問題としてモデル化するための新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2022-10-03T21:19:05Z)
• Debiasing In-Sample Policy Performance for Small-Data, Large-Scale Optimization [4.554894288663752]
  本稿では,データ駆動最適化におけるポリシのアウト・オブ・サンプル性能の新たな推定法を提案する。 クロスバリデーションとは異なり、我々の手法はテストセットのデータを犠牲にするのを避ける。 我々は,小規模・大規模システムにおける推定器の性能を実証する。
  論文  参考訳（メタデータ） (2021-07-26T19:00:51Z)

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。