論文の概要: Expected Survival-Time Bounds for Robust Optimization Over Time under Isotropic Gaussian Dynamics

• arxiv url: http://arxiv.org/abs/2607.27280v1
• Date: Wed, 29 Jul 2026 13:27:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.281265
• Title: Expected Survival-Time Bounds for Robust Optimization Over Time under Isotropic Gaussian Dynamics
• Title（参考訳）: 等方的ガウス力学の下での時間的ロバスト最適化のための生存時間境界の予測
• Authors: Pavel Novoa-Hernández,
• Abstract要約: 本研究では,等方性ガウス環境力学の下での固定配置溶液の生存時間について検討した。 予測生存率は、ゆっくりと変化する環境において$(-2)$とスケールし、高次元における1つの将来の変化の最小値に近づくことを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robust Optimization Over Time (ROOT) is a recent branch of evolutionary dynamic optimization that seeks solutions capable of remaining effective across multiple consecutive environments. Unlike the traditional track-the-moving-optimum (TMO) paradigm, which reoptimizes after every environmental change, ROOT explicitly values persistence. Although the field has grown considerably, most contributions remain algorithmic and empirical, leaving several fundamental properties poorly understood from a theoretical perspective. One such property is survival time, defined as the number of future environments in which a deployed solution continues to satisfy a prescribed quality threshold. While survival time is widely used as a measure of temporal robustness, little is known about how its expected value depends on environmental dynamics, deployment quality, or problem characteristics. This paper studies expected survival time for a fixed deployed solution under isotropic Gaussian environmental dynamics. Modeling survival as a discrete first-exit problem, we derive a rigorous lower bound and a computable multi-step upper bound. The analysis shows that expected survival scales as $Θ(σ^-{2})$ in slowly varying environments and approaches its minimum value of one future change in high dimensions. A comprehensive Monte Carlo study validates the theoretical predictions, examines sensitivity to modeling assumptions and parameter uncertainty, and illustrates how the bounds can support deployment decisions after optimization. The resulting framework provides an analytical characterization of deployment lifetime and identifies when a required deployment horizon can be guaranteed, ruled out, or remains analytically unresolved.
• Abstract（参考訳）: Robust Optimization Over Time (ROOT) は、進化的動的最適化の最近の分野であり、複数の連続した環境にまたがって有効なソリューションを模索している。 従来のトラック・ザ・ムービング・最適化(TMO)パラダイムとは違い、ROOTは永続性を明示的に評価する。 この分野は著しく成長したが、多くの貢献はアルゴリズム的かつ経験的であり、いくつかの基本的な性質は理論的な観点からは理解されていない。 そのような特性の1つは生存時間であり、デプロイされたソリューションが所定の品質閾値を満たし続ける将来の環境の数として定義される。 生存時間は時間的堅牢性の尺度として広く使用されているが、その期待値が環境力学、展開品質、問題特性にどのように依存するかは分かっていない。 本研究では,等方性ガウス環境力学の下での固定配置溶液の生存時間について検討した。 離散的な第一出口問題としての生存をモデル化し、厳密な下界と計算可能な多段上界を導出する。 この分析は、緩やかに変化する環境において、期待される生存率は$(σ^-{2})$としてスケールし、高次元における1つの将来の変化の最小値にアプローチすることを示している。 モンテカルロの総合的な研究は、理論的な予測を検証し、仮定やパラメータの不確かさのモデル化に対する感度を調べ、最適化後のデプロイメント決定をどのようにサポートするかを示した。 その結果生まれたフレームワークは、デプロイメントライフサイクルの分析的な特徴を提供し、必要なデプロイメントの水平線がいつ保証されるか、除外されるか、分析的に未解決のままであるかを識別する。

関連論文リスト

• RainODE: Continuous-Time Precipitation Forecasting with Latent Neural ODEs [31.6943694848236]
  RainODEは、Neural ODEを使用して潜在空間の降水進化をモデル化するフレームワークである。 この定式化により、微分整合時間力学が実現され、降水系の大規模対流運動が支配的となる。 ブラウン橋に基づく震源モデリングモジュールは、微細な構造を保ちながら残留強度の変動を復元する。
  論文  参考訳（メタデータ） (2026-06-29T06:48:02Z)
• Dimensional Balance Improves Large Scale Spatiotemporal Prediction Performance [16.190938610237588]
  既存の方法はパフォーマンスのボトルネックに直面し、通常はインクリメンタルな利得しか得られない。 我々はこのボトルネックを空間的・時間的エントロピー測定によって分析する。 空間的特徴表現と時間的特徴表現を調和させるスケーラブルで適応的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-11T06:29:26Z)
• GTS: Inference-Time Scaling of Latent Reasoning with a Learnable Gaussian Thought Sampler [54.10960908347221]
  我々は、学習可能な密度から条件付きサンプリングとして潜在思考探索をモデル化し、このアイデアをガウス思想サンプリング(GTS)としてインスタンス化する。 GTSは、連続的推論状態における文脈依存摂動分布を予測し、バックボーンを凍結させながらGRPOスタイルのポリシー最適化を訓練する。
  論文  参考訳（メタデータ） (2026-02-15T09:57:47Z)
• Model-Agnostic Solutions for Deep Reinforcement Learning in Non-Ergodic Contexts [3.5577285720638194]
  強化学習(Reinforcement Learning, RL)は、機械学習における中心的な最適化フレームワークである。 ベルマン方程式は、ほとんどのRLアルゴリズムの中心であり、将来の報酬の期待値の観点から定式化されている。 非エルゴード環境では、アンサンブル平均は個々のエージェントが経験する平均的な成長から分岐する。
  論文  参考訳（メタデータ） (2026-01-13T16:53:40Z)
• Online Learning Approach for Survival Analysis [1.0499611180329806]
  生存分析のためのオンライン数学フレームワークを導入し、動的環境や検閲データへのリアルタイム適応を可能にする。 このフレームワークは、最適2階オンライン凸最適化アルゴリズムによるイベント時間分布の推定を可能にする-オンラインニュートンステップ(ONS)
  論文  参考訳（メタデータ） (2024-02-07T08:15:30Z)
• Managing Temporal Resolution in Continuous Value Estimation: A Fundamental Trade-off [39.061605300172175]
  有限データを用いたLQRシステムにおいて、時間分解能の管理によりポリシー評価効率が向上することを示す。 これらの結果から, 時間分解能の管理は, 有限データを用いたLQRシステムにおいて, 政策評価効率を向上する可能性が示唆された。
  論文  参考訳（メタデータ） (2022-12-17T20:45:34Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• The Variational Method of Moments [65.91730154730905]
  条件モーメント問題は、観測可能量の観点から構造因果パラメータを記述するための強力な定式化である。 OWGMMの変動最小値再構成により、条件モーメント問題に対する非常に一般的な推定器のクラスを定義する。 同じ種類の変分変換に基づく統計的推測のためのアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2020-12-17T07:21:06Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)
• Is Temporal Difference Learning Optimal? An Instance-Dependent Analysis [102.29671176698373]
  我々は、割引決定過程における政策評価の問題に対処し、生成モデルの下で、ll_infty$errorに対するマルコフに依存した保証を提供する。 我々は、ポリシー評価のために、局所ミニマックス下限の両漸近バージョンと非漸近バージョンを確立し、アルゴリズムを比較するためのインスタンス依存ベースラインを提供する。
  論文  参考訳（メタデータ） (2020-03-16T17:15:28Z)

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。