論文の概要: Contextual Deconvolution for Variance-Stable Demand Sensing: Kernel-Modulated Operators in Promotional Retail
- arxiv url: http://arxiv.org/abs/2607.25664v1
- Date: Tue, 28 Jul 2026 12:49:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-29 20:50:42.838885
- Title: Contextual Deconvolution for Variance-Stable Demand Sensing: Kernel-Modulated Operators in Promotional Retail
- Title（参考訳）: 変動安定需要センシングのためのコンテキストデコンボリューション:促進小売におけるカーネル変調演算子
- Abstract要約: 機械学習の需要予測は、統計的精度を最適化するが、過剰な運用のボラティリティを保ち、安全株を膨らませ、ブルウィップ効果を増幅する。
コンベックス分解として需要感を再設定するtextbfCon Decontextual estimatorを導入する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning demand forecasts optimize statistical accuracy yet leave excess operational volatility that inflates safety stock and amplifies the Bullwhip effect. We introduce \textbf{Contextual Deconvolution} (CD), a two-stage estimator that reframes demand sensing as a convex decomposition: a kernel-modulated banded operator separates transient promotion-driven shocks from a smooth structural baseline, and hierarchical partial pooling enables catalog-scale deployment without per-SKU training. The operator is data-derived, not imposed---it reduces to the identity wherever the promotional response is impulsive (most of M5, all of Favorita) and contributes only where genuine multi-day carryover exists, so the gains rest on the structural decomposition itself. Evaluating strictly out-of-sample on 30,490 M5 SKUs and 2,845 Favorita items, with calendar-aware baselines given CD's identical future calendar, we anchor the contribution on a full inventory-cost accounting: CD lowers safety stock, holding cost, and order variance but under-provisions event spikes, reducing total cost only when holding costs exceed $\sim$20\% of stockout costs (95\% CI $[17\%,25\%]$); otherwise it is an operational-stability and inventory-capital layer, not an expected-cost minimizer. Its accuracy contribution is reliability rather than central tendency: across eleven baselines, CD attains the lowest cross-sectional dispersion of per-SKU error and mis-forecasts by more than 200\% on 0.8\% of SKUs versus 9.9--20.6\% for every baseline, ranking first on both in all four M5 draws. Because the Variance Ratio and std-based safety stock are minimized by any sufficiently smooth forecast, we treat them as diagnostics, not objectives. A supporting analysis shows the learned demand operators are non-normal, yet CD's compact parametric kernel matches their operational performance interpretably.
- Abstract（参考訳）: 機械学習の需要予測は、統計的精度を最適化するが、過剰な運用のボラティリティを保ち、安全株を膨らませ、ブルウィップ効果を増幅する。
カーネル変調バンド化演算子は、過渡的なプロモーション駆動ショックをスムーズな構造ベースラインから切り離し、階層的な部分プールはSKUトレーニングを行わずにカタログスケールの展開を可能にする。
オペレータはデータ導出であり、強制されない - プロモーション応答が衝動的である場合(M5のほとんど、Favoritaのすべて)のIDを減らし、真のマルチ日輸送が存在する場合にのみ寄与するので、ゲインは構造分解自体に留まる。
30,490 M5 SKUと2,845 Favoritaアイテムの厳密な外見の評価と、CDと同一の将来の暦を基準として、CDが在庫コストの完全な会計に寄与する:CDは、安全性のストックを低くし、保持コストを低くし、秩序のばらつきを抑え、イベントのスパイクを過小評価し、コストが$\sim$20\%を超える場合にのみ、総コストを下げる(95\% CI $[17\%, 25\%]$)。
11の基準線で、CDはSKU毎の誤差と誤予測の断面積の最小分散を、SKUの0.8\%に対して200\%以上、ベースライン毎9.9-20.6\%で達成し、4つのM5ドローで上位にランク付けする。
変動率とstdベースの安全株は十分にスムーズな予測によって最小化されているため、客観的ではなく診断として扱う。
サポート分析では、学習した要求演算子は非正規であるが、CDのコンパクトパラメトリックカーネルは操作性能を解釈可能としている。
関連論文リスト
- End-to-End Neural Shrinkage of Indefinite Pairwise Correlation Matrices for Small-Cap-Inclusive Portfolios [0.0]
少額のインクルーシブ・エクイティ・ユニバース(英語版)は、最近上場および断続的に取引された証券を含んでいるため、共通の見返りは利用可能な情報のかなりの部分を捨てる。
この設定に回転不変なニューラル共分散推定器を適用する。
我々は2000年から2025年までの26種類の拡大ウィンドウモデルを、ポイント・イン・タイム・セレクション、手数料、ファイナンス、コーポレート・アクション、市場インパクトを備えたクローズ・オークション・シミュレーターで、1500米国株に対して評価した。
論文 参考訳（メタデータ） (2026-08-31T08:36:09Z) - FunnelCausalNet: Funnel-aware Joint Conversion-Revenue Uplift for Multi-tier Coupon Allocation [14.507081620647858]
クーポンのキャンペーンは、転換と収益の両方を引き上げようとしているが、粗雑な商品価値(GMV)は、転換から条件付き注文価値への決定論的ファンネルに従っており、ゼロインフレとヘビーテールである。
我々はFunnelCausalNetを提案し、$_mathrmgmv=_mathrmconv_mathrmval$を介してバイナリ変換ヘッドと非負条件値ヘッドを結合するアップリフト推定器を提案する。
論文 参考訳（メタデータ） (2026-08-12T05:32:33Z) - Cost-Sensitive Conformal Prediction and Human-in-the-Loop Abstention for Imbalanced High-Stakes Decision Support: A Multi-Domain Benchmark [2.5130933318193915]
モンドリアン・CPは有効なマイノリティ・クラスを回復し、最小限のCPよりも61.7ポイントの平均的マイノリティ・カバー・アップを達成した。
我々は、不明瞭なインスタンスを人間の専門家に延期する、データセット固有のブレークエクイティしきい値の定量化を行う。
論文 参考訳（メタデータ） (2026-07-29T17:15:33Z) - Certified Optimal Measurement Reduction over Quantum Context Landscapes [0.0]
RANGEを用いて,Fockproxy-co-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockpr oxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockpr oxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockpr oxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockpr oxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy-Fockproxy。
論文 参考訳（メタデータ） (2026-07-18T16:06:52Z) - DCP-Prune: Ultra-Low Token Pruning with Distribution Consistency Preservation [55.38884985761757]
最近のビジョントークンプルーニング法は、中程度のトークン予算ではモデル性能を効果的に維持するが、超低トークン予算では不安定になる。
Anchor-Context Graph Recovery (ACGR) と Text-Aware Token Cluster Selection (TATCS) からなる2段階のプルーニングフレームワークを提案する。
超低トークン予算下で,本手法がより優れた,より安定した性能を実現することを示す実験を行った。
論文 参考訳（メタデータ） (2026-06-15T12:24:07Z) - Instance-Optimal Estimation with Multiple LLM Judges on a Budget [84.31744861038106]
我々は、この問題を*予算付きヘテロスケダティックなマルチジャッジ推定*として定式化する。
K$のプロンプト-レスポンスペア、J$の既知のコストと未知のクエリ-ジャッジ分散が与えられた場合、目標は、$ell_p$-errorを最小化しながら、有界スコアベクトルを推定することである。
EST-IVWEは,予算の低次項までのオラクルIVWEレートと一致していることを示す。
論文 参考訳（メタデータ） (2026-05-22T08:26:08Z) - QuantSR+: Pushing the Limit of Quantized Image Super-Resolution Networks [63.04549067734431]
低ビット量子化は超解像モデル(SR)の圧縮に広く用いられている。
しかし、SRモデルが超低精度(2-4ビット)にプッシュされると、性能は急激に低下する。
本稿では,量子化演算子,ネットワーク設計,トレーニング最適化を改善する統一フレームワークQuantSR+を提案する。
論文 参考訳（メタデータ） (2026-05-21T11:38:52Z) - 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) - $V_{0.5}$: Generalist Value Model as a Prior for Sparse RL Rollouts [81.48669089692189]
一般値モデル(例えば$V_0.5$)は、コンテキスト内のモデル機能を明示的にエンコードすることで、事前訓練された値推定を実現する。
本稿では,このような値モデルにより予測されるベースラインと,スパースロールアウトから導出される経験的平均とを適応的に融合する$V_0.5$を提案する。
V_0.5$はGRPOとDAPOを大きく上回り、より高速な収束と約10%のパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2026-03-11T14:57:41Z) - ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。
我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
論文 参考訳（メタデータ） (2026-02-27T05:22:01Z) - What's the Price of Monotonicity? A Multi-Dataset Benchmark of Monotone-Constrained Gradient Boosting for Credit PD [0.0]
金融機関は、信用リスクのための機械学習モデルを展開する際に、予測精度と解釈可能性のトレードオフに直面している。
単調性制約はモデルの振る舞いをドメイン知識と整合させるが、その性能コストは十分に定量化されていない。
本稿では,5つの公開データセットと3つのライブラリにまたがって,既定の信用確率に対するモノトーン制約と非拘束勾配向上モデルのベンチマークを行う。
論文 参考訳（メタデータ） (2025-12-14T22:18:05Z) - Market-Driven Subset Selection for Budgeted Training [1.7969777786551429]
それぞれのトレーニング例を取引可能な契約として扱う,市場ベースのフレームワークを提案する。
厳格な60kの予算の下でのGSM8Kの数学的推論では、セレクタは強い単一信号基底線でパリティを達成する。
本フレームワークは,逐次的推論および分類タスクのための固定的な計算予算の下で,多信号データキュレーションを統一する。
論文 参考訳（メタデータ） (2025-10-02T18:12:03Z) - Additive Distributionally Robust Ranking and Selection [0.8283940114367679]
そこで本研究では,$k + m - 1$の事前仮説クリティカルシナリオのみをサンプリングすることを目的とした,単純な加算割当(AA)手順を提案する。
AAが一貫したものであり、驚くべきことに、最も強い意味で付加性を達成することを証明します。
結果は、DRR&Sの加法構造に対する新しい、そして反直観的な洞察を与える。
論文 参考訳（メタデータ） (2025-09-07T17:36:29Z) - Label Distributionally Robust Losses for Multi-class Classification:
Consistency, Robustness and Adaptivity [55.29408396918968]
多クラス分類のためのラベル分布ロバスト(LDR)損失という損失関数群について検討した。
我々の貢献は、多クラス分類のためのLDR損失のトップ$kの一貫性を確立することによって、一貫性と堅牢性の両方を含んでいる。
本稿では,各インスタンスのクラスラベルの雑音度に個別化温度パラメータを自動的に適応させる適応型LDR損失を提案する。
論文 参考訳（メタデータ） (2021-12-30T00:27:30Z)
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。