論文の概要: CC-AOS: Cost- and Horizon-Conditioned Amortized Backward Induction for Finite-Horizon Optimal Stopping

• arxiv url: http://arxiv.org/abs/2607.22774v1
• Date: Fri, 24 Jul 2026 07:20:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:14.874257
• Title: CC-AOS: Cost- and Horizon-Conditioned Amortized Backward Induction for Finite-Horizon Optimal Stopping
• Title（参考訳）: CC-AOS:有限水平最適停止のためのコスト・水平条件補正後方誘導
• Abstract要約: 本研究では、連続コストと多重水平線を含む有限ホライゾン停止問題に対する構造的アモータイズ解法を提案する。 CC-AOSは、現在の状態、絶対時間、残り地平線、取得コストに規定された共有継続値モデルを学ぶ。 実験により,あるCC-AOSチェックポイントは,独立に装着された凸関数学習よりも,終端リスク+サンプリングコストの低い目標を達成した。
• 参考スコア（独自算出の注目度）: 0.40611352512781873
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Finite-horizon optimal stopping is a central problem in early time-series classification, where a system must decide at each sequence prefix whether the expected benefit of another observation justifies its acquisition cost. Existing data-driven backward-induction methods typically solve each cost-horizon operating point separately, so changing operating conditions requires repeated optimization and separate model stacks, making continuous cost adaptation and multi-horizon deployment inefficient. We propose CC-AOS (Cost- and Horizon-Conditioned Amortized Optimal Stopping), a structured amortized solver for a family of finite-horizon stopping problems with continuous costs and multiple horizons. CC-AOS learns a shared continuation-value model conditioned on the current state, absolute time, remaining horizon, and acquisition cost through joint amortized fitted backward induction. We establish that the exact value and continuation functions are nondecreasing, concave, and horizon-dependently Lipschitz in cost, encode these properties in the model architecture, and derive residual-based bounds on value and policy errors. Experiments on controlled Gaussian and time-varying non-Gaussian processes and the FordA engine-noise time-series benchmark compare CC-AOS with representative per-operating-point backward-induction solvers and tuned static stopping rules. At six unseen FordA cost-horizon pairs, one CC-AOS checkpoint achieved a lower terminal-risk-plus-sampling-cost objective than independently fitted Convex Function Learning at all six pairs, with an average reduction of 15.75 percent, while matching the tuned static thresholds on average.
• Abstract（参考訳）: 有限水平最適停止は、早期時系列分類において中心的な問題であり、あるシステムは、他の観測の期待される利益がその取得コストを正当化するか否かを各シーケンスプレフィックスで決定しなければならない。 既存のデータ駆動逆推論手法は、通常、各コスト-水平動作点を個別に解決するので、動作条件の変更には繰り返し最適化とモデルスタックの分離が必要であり、連続的なコスト適応と複数水平配置を非効率にする。 本研究では,連続的なコストと複数地平線を含む有限水平停止問題群に対する構造的補正解法であるCC-AOS(Cost- and Horizon-Conditioned Amortized Optimal Stopping)を提案する。 CC-AOSは、現在の状態、絶対時間、地平線、および取得コストに規定された共有継続値モデルを学ぶ。 我々は、正確な値と継続関数がコストの非減少、凹み、水平依存的なリプシッツであることを確立し、これらの特性をモデルアーキテクチャにエンコードし、値とポリシーエラーの残差に基づく境界を導出する。 制御されたガウス過程と時変非ガウス過程とFordAエンジンノイズ時系列ベンチマークの実験は、CC-AOSと、動作毎の後方誘導解法とチューニングされた静的停止規則を比較した。 6つの未確認のFordAコストホライゾンペアにおいて、1つのCC-AOSチェックポイントは、独立に装着された凸関数学習よりも低い終端リスク+サンプリングコストの目標を達成し、平均15.75パーセントの削減を実現した。

関連論文リスト

• iSTAR: an algebraic-collapse framework for variational reduction in quantum-inspired continuous Ising solvers [0.9704960686964833]
  連続イジング解法は離散最適化問題を連続力学系に埋め込み、符号読み出しによってスピン構成を復元する。 このコストは本質的なものではなく、後期のシミュレート・バイフルケーションでは、軌道は低次元の活性部分空間に崩壊する。 Gセットベンチマークのオンライン認証実装は、すべての実行において同じシードのベースラインを保持し、密接な相互作用作業の64.4%を除去する。
  論文  参考訳（メタデータ） (2026-07-05T02:02:19Z)
• Model Compression with Exact Budget Constraints via Riemannian Manifolds [39.54576236079211]
  トータルコスト予算の下で各NグループにKオプションの1つを割り当てることは、効率的なAIにおいて繰り返し発生する問題である。 我々は、ソフトマックス緩和の下で、予算制約がロジット空間における滑らかなリーマン多様体を異常に単純な幾何学で定義することを示す新しいアプローチを示す。 これらの特性に基づいて、接射影、二分探索リトラクション、運動量輸送を標準とするリーマン制約最適化(RCO)を提案する。
  論文  参考訳（メタデータ） (2026-05-01T13:30:23Z)
• Adaptive Threshold-Driven Continuous Greedy Method for Scalable Submodular Optimization [0.0]
  マットロイド制約の下でのサブモジュールは、センシング、データマージ、アクティブラーニング、リソース割り当てなどの応用において、最適化の基本的な問題である。 textitATCG(underlineAdaptive underlineThresholded underlineThresholded underlineThresholded underlineGreedy)を提案する。 CIFAR-10動物データセットを用いたクラスバランス型プロトタイプ選択問題の実験
  論文  参考訳（メタデータ） (2026-04-03T19:32:39Z)
• Weakly Time-Coupled Approximation of Markov Decision Processes [3.573962752571186]
  有限水平マルコフ決定プロセス(MDPs)は、ベルムダンのバリュエーションやエクササイズ、リアルオプションなど、運用と金融に発生する。 共通近似は基底関数を用いた値関数を表すが、重み付け方法は異なる段階最適化を扱う。 この結合は近似アーキテクチャのアーチファクトであり、段差依存が地平線に依存しない弱時間結合近似(WTCA)を開発する。
  論文  参考訳（メタデータ） (2026-03-13T04:14:42Z)
• Distributed Online Convex Optimization with Nonseparable Costs and Constraints [7.671875264854638]
  本研究では,コミュニケーショングラフを介してネットワーク化されたエージェント群について検討し,非分離的グローバルコスト関数の列を最小化するためのアクションを集合的に選択する。 本稿では,各エージェントがグローバルな集団決定のローカルな信念を維持・更新する分散オンライン・プライマリ・デュアル・コンセンサス・コンセンサス・アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-02-11T02:46:53Z)
• Optimal Sample Complexity for Single Time-Scale Actor-Critic with Momentum [62.691095807959215]
  我々は,シングルタイムスケールアクター・クリティック(AC)アルゴリズムを用いて,$O(-2)$の最適なグローバルポリシを得るための最適なサンプル複雑性を確立する。 これらのメカニズムは、既存のディープラーニングアーキテクチャと互換性があり、実用的な適用性を損なうことなく、小さな修正しか必要としない。
  論文  参考訳（メタデータ） (2026-02-02T00:35:42Z)
• Cost-aware Stopping for Bayesian Optimization [46.95172329282389]
  本稿では,様々な評価コストに適応し,チューニングが不要なベイズ最適化のためのコスト対応停止則を提案する。 我々は,最先端の取得関数と組み合わせた場合,停止規則によって得られる期待累積評価コストを拘束する理論的な保証を証明した。
  論文  参考訳（メタデータ） (2025-07-16T17:54:14Z)
• Adaptive Deadline and Batch Layered Synchronized Federated Learning [66.93447103966439]
  フェデレートラーニング(FL)は、データプライバシを保持しながら、分散エッジデバイス間で協調的なモデルトレーニングを可能にする。 我々は,レイヤワイドアグリゲーションのために,ラウンド単位の期限とユーザ固有のバッチサイズを共同で最適化する新しいフレームワークADEL-FLを提案する。
  論文  参考訳（メタデータ） (2025-05-29T19:59:18Z)
• Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
  分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。 非滑らかな正規化はしばしば機械学習タスクに組み込まれる。 本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-17T08:32:25Z)
• Non-stationary Delayed Online Convex Optimization: From Full-information to Bandit Setting [71.82716109461967]
  遅延勾配が利用できる全情報ケースに対して Mild-OGD というアルゴリズムを提案する。 ミルド-OGDのダイナミックな後悔は、順番の仮定の下で$O(sqrtbardT(P_T+1))$で自動的に束縛されることを示す。 Mild-OGDのバンディット版も開発し,損失値の遅れのみを考慮に入れた,より困難なケースについて検討した。
  論文  参考訳（メタデータ） (2023-05-20T07:54:07Z)
• Finite-time System Identification and Adaptive Control in Autoregressive Exogenous Systems [79.67879934935661]
  未知のARXシステムのシステム識別と適応制御の問題について検討する。 我々は,オープンループとクローズループの両方のデータ収集の下で,ARXシステムに対する有限時間学習保証を提供する。
  論文  参考訳（メタデータ） (2021-08-26T18:00:00Z)
• Momentum Accelerates the Convergence of Stochastic AUPRC Maximization [80.8226518642952]
  高精度リコール曲線(AUPRC)に基づく領域の最適化について検討し,不均衡なタスクに広く利用されている。 我々は、$O (1/epsilon4)$のより優れた反復による、$epsilon$定常解を見つけるための新しい運動量法を開発する。 また,O(1/epsilon4)$と同じ複雑さを持つ適応手法の新たなファミリを設計し,実際により高速な収束を享受する。
  論文  参考訳（メタデータ） (2021-07-02T16:21:52Z)

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。