論文の概要: Certified-Gap Dual-Price Policies for Real-Time Truckload Bid Acceptance with Relocating, Clock-Constrained Resources

• arxiv url: http://arxiv.org/abs/2607.16891v1
• Date: Sat, 18 Jul 2026 17:16:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.296532
• Title: Certified-Gap Dual-Price Policies for Real-Time Truckload Bid Acceptance with Relocating, Clock-Constrained Resources
• Title（参考訳）: 移動・クロック制限資源によるリアルタイムトラックロードビッドアクセプタンスのための認定ギャップデュアル価格法
• Abstract要約: 我々は、問題の上界を与えるラグランジアン緩和と同一のラグランジアン緩和から、リアルタイムな双対価格ポリシーを構築する。 0.04-0.09ミリ秒で決定され、モンテカルロのロールアウト教師より3桁速い。
• 参考スコア（独自算出の注目度）: 6.287457666346811
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A truckload carrier must accept or reject each load tender within seconds. The decision depends on fleet state, hours-of-service (HOS) clocks, and appointment windows. We model this as a weakly coupled dynamic program in which the resources relocate and carry clocks: serving a request moves the truck to a new market and depletes its clocks, and whether a truck can serve a request depends on its state. Occupancy-based reusable-resource models do not cover this setting. We build a real-time dual-price policy from the same Lagrangian relaxation that gives the problem's upper bound. Policy and bound come from one object, so every run reports a certified optimality gap. We prove three things. First, the certificate is valid for any duals, any discretization, and any surrogate quality. Second, the policy's same-time spatial-gradient rule is exactly fluid complementary slackness, and the policy is asymptotically optimal in the subcritical fluid regime; the fitted prices are also portable across sample paths, by linear-programming basis stability. Third, certificates have limits: per-resource Lagrangian slack can stay bounded away from zero at every fleet size. We exhibit a three-truck kernel with an exact rational certificate and a replication lemma. On a public closed-loop benchmark with thirty paired seeds, the policy -- which needs no rollout labels, only one offline dual solve -- beats a rollout-trained surrogate on two of three scenarios (tight: +2.0 pp, 95% CI [+0.5, +3.6], Wilcoxon p = 0.023; mild: +3.5 pp, CI [+2.4, +4.5]) and ties the third. It decides in 0.04-0.09 ms, three orders of magnitude faster than the Monte Carlo rollout teacher. Its certificates are stable across ten bounded instances per scenario, at 57-64% of optimal, within 3-6 points of what the 1000x-slower teacher certifies.
• Abstract（参考訳）: トラックローディングキャリアは、各ロードテンダーを数秒以内に受け入れ、拒否しなければならない。 決定は、艦隊状態、サービス時間(HOS)時計、予約窓に依存している。 我々は、これを、リソースが移動してクロックを輸送する弱い結合型動的プログラムとしてモデル化する: 要求をサーブすることは、トラックを新しい市場に移動させ、そのクロックを減らし、そして、トラックが要求をサーブできるかどうかはその状態に依存する。 運用ベースの再利用可能なリソースモデルは、この設定をカバーしていない。 我々は、問題の上界を与えるラグランジアン緩和と同一のラグランジアン緩和から、リアルタイムな双対価格ポリシーを構築する。 ポリシーとバウンドは1つのオブジェクトから得られます。 私たちは3つのことを証明します。 第一に、証明書は、任意の双対、いかなる離散化、およびいかなるサロゲート品質に対しても有効である。 第二に、政策の時空間勾配規則は、正確には流動的な相補的なスラック性であり、政策は亜臨界流体状態において漸近的に最適である。 第3に、証明書には制限がある。 リソースごとのLagrangian slackは、すべてのフリートサイズにおいてゼロから切り離される可能性がある。 正確な正当性証明と複製補題を備えた3トラックカーネルを示す。 30対のシードを持つ公開クローズドループベンチマークでは、ロールアウトラベルを必要とせず、オフラインの2つの解決しか必要としないポリシーが、3つのシナリオのうち2つのシナリオ(tight: +2.0 pp, 95% CI [+0.5, +3.6], Wilcoxon p = 0.023; mild: +3.5 pp, CI [+2.4, +4.5])でロールアウトトレーニングされたサロゲートを打ち負かしている。 0.04-0.09ミリ秒で決定され、モンテカルロのロールアウト教師より3桁速い。 その証明書はシナリオ毎に10の制限付きインスタンスに対して安定しており、最適なのは57-64%であり、1000xよりも遅い教師が認定する3-6ポイント以内である。

関連論文リスト

• ReDraft, Don't Just Distill: Reference-Driven Revision for Continual VLLM Post-Training [66.72708893922605]
  大規模なマルチモーダルモデルのポストトレーニングは、事前トレーニングから保護しながら、新しい機能を追加する必要がある。 SFTは、タスクをほぼゼロの精度から学習する明確なターゲット監視を提供するが、そのオフポリティックターゲットはモデルを十分に移動させ、忘れる原因となる。 モデル自身の失敗から両方を得るReDraftを紹介します。
  論文  参考訳（メタデータ） (2026-09-15T04:59:03Z)
• Phase-Decoupled, Model-Calibrated Power Control for Disaggregated LLM Serving [1.249668212599889]
  NVIDIAのMax-Q推論プロファイルを分離したB200システムにデプロイする。 エージェント負荷下でQwen3-Coder-480B (FP8) を提供する8x B200ノード上では、バランスの取れたモードは、+20.4%トークン/Jを+3.5%平均e2eで提供する。
  論文  参考訳（メタデータ） (2026-09-10T06:23:37Z)
• Pricing the Risk of Runtime Compression: Anytime-Valid Admission and a Served-Output Law for Compressed Serving State [6.272878315342466]
  プロダクションサービススタック(100%要求)における長期要求のたびに、組合予算が枯渇していることを示します。 私たちはそれを、352,333のライブトラフィックに対する入場呼び出しの1つに制限のある、有能で物理的に説明された台帳に置き換える。 値付けられたバウンダリは要求に何の価値もないので、第3のリンクは定量化器である。
  論文  参考訳（メタデータ） (2026-08-16T15:37:44Z)
• Benchmarking LLM-Guided Control-Plane Policies for Backend Fault Isolation in HAProxy [0.0]
  我々は、大規模言語モデルが静的ルーティングポリシーそのものを置き換えることができるかどうかを問う。 3B 能動パラメータの近傍で能動閾値を求める。 その上、アーキテクチャに関係なく、すべてのモデルは、クライアントが認識した5xxエラーの88%近くを飽和させます。
  論文  参考訳（メタデータ） (2026-08-11T06:15:20Z)
• WDL-OPD: Weak-Driven On-Policy Distillation via Mixture-Constrained Co-Training [48.290951447286744]
  WDL-OPDは2つの訓練可能なポリシーを持つ混合制約付き協調訓練法である。 アンカーポリシはロールアウト毎に生成し、補助ポリシは同じ訪問状態を評価し、それらのトークン分布の幾何学的混合を逆KLで凍結教師にマッチングする。 凍結はPD$2とW2S-OPDと密接に関連するアンカープラスコントラストのプロキシターゲットを回復させるが,ジョイントトレーニングは静的デルタが表現できない分岐レベル自由度を生成する。
  論文  参考訳（メタデータ） (2026-08-10T11:22:53Z)
• Adaptive Inference Batching using Policy Gradients [0.0]
  我々は、強化学習が適応的なルーティングポリシーを学習できるかどうかを検討する。 ReINFORCEおよびPPOエージェントをキューイング理論と生産トレースに対して離散イベントシミュレータで訓練する。 この結果から,RLは単一リソーススケジューリングではなく,マルチリソーススケジューリングに集中していることが示唆された。
  論文  参考訳（メタデータ） (2026-07-06T16:20:19Z)
• A Joint Finite-Sample Certificate for Adaptive Selective Conformal Risk Control [0.9668407688201359]
  選択したリスクを直接比率として扱うことにより、有界、おそらくは非単調な損失の証明を与える。 1/pmin$から1/sqrtpmin$への受け入れフロア依存を鋭くする。 この証明書は、Hoeffding--CRCに対する認証受け入れフロンティアを$+22$ ppで開く。
  論文  参考訳（メタデータ） (2026-06-07T08:55:44Z)
• Conformal Selective Acting: Anytime-Valid Risk Control for RLVR-Trained LLMs [13.385373310554327]
  Conformal Selective Actingは、デプロイ要求によって強制される空のセルを埋める。 CSAは、すべての細胞に経路的妥当性と非抵抗的展開を満足する10種類の比較のうち唯一の方法である。
  論文  参考訳（メタデータ） (2026-05-18T22:20:32Z)
• Learning When to Act: Communication-Efficient Reinforcement Learning via Run-Time Assurance [0.27998963147546146]
  Lyapunov の安全性保護の下で制御入力と通信効率のタイミング決定を単一ポリシで学習できることが示される。 実行時保証層は、1ステップのリアプノフ予測と事前計算されたLQRバックアップを介してポリシーをオーバーライドする。 12-state 3D quadrotor のケーススタディでは、古典的な STC が難解な高次元システムにフレームワークを拡張している。
  論文  参考訳（メタデータ） (2026-05-11T23:55:15Z)
• Learned Lyapunov Shielding for Adaptive Control [1.2891210250935148]
  我々は3つの学習成分を持つラグランジュ系に対するSlotine--Li適応制御器を拡張した。 クローズドフォームの安全フィルタは、オンラインQP解決器を必要とせずに、すべてのポリシー出力を安全なセットに投影する。 フランカ・エミカ・パンダ(Franka Emika Panda)による7-DOFのスケーラビリティに関する研究では、産業規模での完全なパイプラインのクリーンな収束を確認している。
  論文  参考訳（メタデータ） (2026-05-07T20:49:22Z)
• 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)
• See Less, Drive Better: Generalizable End-to-End Autonomous Driving via Foundation Models Stochastic Patch Selection [51.59559387222532]
  エンドツーエンド自動運転の最近の進歩は、パッチアライメント機能で訓練されたポリシーが、アウト・オブ・ディストリビューション(OOD)よりも一般化していることを示している。 我々は、より堅牢で、一般化可能で、効率的な学習ポリシーのためのシンプルで効果的なアプローチである2.4-Patch-Selection(SPS)を提案する。
  論文  参考訳（メタデータ） (2026-01-15T18:58:33Z)
• Train Once, Get a Family: State-Adaptive Balances for Offline-to-Online Reinforcement Learning [71.02384943570372]
  Family Offline-to-Online RL (FamO2O) は、既存のアルゴリズムが状態適応型改善-制約バランスを決定するためのフレームワークである。 FamO2Oは、D4RLベンチマークで最先端のパフォーマンスを達成し、既存の様々な手法よりも統計的に顕著な改善を提供する。
  論文  参考訳（メタデータ） (2023-10-27T08:30:54Z)
• Offline RL With Realistic Datasets: Heteroskedasticity and Support Constraints [82.43359506154117]
  非均一な変数を持つデータから、典型的なオフライン強化学習手法が学習できないことを示す。 提案手法は,Atariゲーム,ナビゲーション,ピクセルベースの操作において,多種多様なオフラインRL問題にまたがる性能向上を図っている。
  論文  参考訳（メタデータ） (2022-11-02T11:36:06Z)
• Global Convergence of Policy Gradient for Linear-Quadratic Mean-Field Control/Game in Continuous Time [109.06623773924737]
  線形二乗平均場制御とゲームに対するポリシー勾配法について検討する。 線形速度で最適解に収束し, 合成シミュレーションにより検証した。
  論文  参考訳（メタデータ） (2020-08-16T06:34:11Z)

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。