論文の概要: Partially Observable Learning for Multi-Platform Dispatch Optimization
- arxiv url: http://arxiv.org/abs/2608.10897v1
- Date: Tue, 11 Aug 2026 13:20:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:46.049449
- Title: Partially Observable Learning for Multi-Platform Dispatch Optimization
- Title（参考訳）: マルチプラットフォーム・ディスパッチ最適化のための部分観測可能学習
- Abstract要約: 現実世界のシステムでは、クーリエは単一のプラットフォームに排他的ではなく、同時に複数のプラットフォームを提供する。
これにより、本質的に部分的な可観測性を備えたマルチプラットフォームディスパッチ環境が実現される。
提案するPOLOは,多プラットフォームインスタント配信システムにおける最適化の分散のための,部分的に観測可能なマルチエージェント強化学習フレームワークである。
- 参考スコア（独自算出の注目度）: 2.877073407903913
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Instant delivery platforms have become a critical component of urban logistics, increasingly relying on crowdsourced couriers to fulfill highly dynamic orders. In real-world systems, couriers are not exclusive to a single platform and may concurrently serve multiple platforms, while each platform can only observe its own orders and couriers' interactions due to privacy and operational constraints. This results in a multi-platform dispatch environment with inherent partial observability. However, most existing works on dispatch optimization assume full courier observability and mandatory assignment acceptance, causing substantial performance degradation when deployed in realistic multi-platform settings. In this paper, we propose POLO, a partially observable multi-agent reinforcement learning framework for dispatching optimization in multi-platform instant delivery systems. POLO firstly models each platform-grid pair as an independent agent that learns dispatch policies solely from platform-local observations, aligning the learning process with real-world privacy and operational constraints. To support effective decision-making under incomplete and heterogeneous courier information, POLO introduces a novel attention-based policy representation that selectively aggregates inter-courier information. Moreover, we design a counterfactual reward shaping mechanism to mitigate the non-stationarity induced by joint actions across grids, leading to more stable and scalable learning. We develop a high-fidelity simulator to evaluate dispatch performance under varying numbers of platforms and system scales. Extensive experiments demonstrate that POLO consistently outperforms strong baselines in terms of platform revenue and courier travel efficiency, highlighting its robustness and effectiveness in realistic multi-platform settings.
- Abstract（参考訳）: インスタントデリバリープラットフォームは都市ロジスティクスの重要な要素となり、クラウドソースのクーリエを頼りに、非常にダイナミックな注文をこなしている。
現実世界のシステムでは、クーリエは単一のプラットフォームに排他的ではなく、複数のプラットフォームを同時に使用することができるが、各プラットフォームはプライバシと運用上の制約により、自身の注文とクーリエのインタラクションを監視できるだけである。
これにより、本質的に部分的な可観測性を備えたマルチプラットフォームディスパッチ環境が実現される。
しかしながら、ディスパッチ最適化に関する既存の作業の多くは、完全なクーリエオブザーバビリティと必須の割り当ての受け入れを前提としており、現実的なマルチプラットフォーム環境にデプロイする際の大幅なパフォーマンス低下の原因となっている。
本稿では,多プラットフォームインスタント配信システムにおける最適化を行うための,部分的に観測可能な多エージェント強化学習フレームワークPOLOを提案する。
POLOはまず、プラットフォームとグリッドのペアを独立したエージェントとしてモデル化し、プラットフォームローカルな観察からポリシを学習し、学習プロセスと現実世界のプライバシと運用上の制約を整合させる。
不完全で異質なクーリエ情報に基づく効果的な意思決定を支援するため、POLOは、クーリエ間情報を選択的に集約する新しい注意ベースのポリシー表現を導入した。
さらに,グリッド間の共同動作によって生じる非定常性を緩和し,より安定かつスケーラブルな学習を実現するために,反実的報酬形成機構を設計する。
本研究では,多種多様なプラットフォームとシステムスケール下でのディスパッチ性能を評価するための高忠実度シミュレータを開発した。
大規模な実験により、POLOはプラットフォーム収益と旅行効率の面で一貫して高いベースラインを上回り、現実的なマルチプラットフォーム環境での堅牢性と有効性を強調している。
関連論文リスト
- UI-MOPD: Multi-Platform On-Policy Distillation for Continual GUI Agent Learning [67.45909103605858]
GUIエージェントの連続学習に多教師のオンライン蒸留を組み込むUI-MOPDを提案する。
OSWorldとMobileWorldの実験では、UI-MOPDはそれぞれ38.2%と12.0%のタスク成功率が達成されている。
論文 参考訳（メタデータ） (2026-07-05T17:37:12Z) - Cross-Platform Control for Autonomous Surface Vehicles via Adaptive Reinforcement Learning [3.8494315501944736]
我々は、ゼロショットクロスプラットフォームのデプロイを可能にする軌道追跡のための適応型強化学習手法を提案する。
この方針はランダム化された容器力学の下でのシミュレーションで訓練され、微調整なしで2つの現実世界のプラットフォームにゼロショットで展開される。
2つの異なるプラットフォームにおける実世界の実験では、適応的ポリシーは、非適応的学習ベースのベースラインを最大58%の絶対誤差で上回る。
論文 参考訳（メタデータ） (2026-07-02T11:04:21Z) - FedLLM: A Privacy-Preserving Federated Large Language Model for Explainable Traffic Flow Prediction [1.2043574473965315]
本研究は,マルチホライゾンの短期的トラフィックフロー予測を行うための,プライバシと分散フレームワークであるFedLLMを提案する。
FedLLMを使用することで、各クライアントは、共有グローバルモデルにコントリビュートしながら、ローカルトラフィックパターンから学ぶことができる。
実験結果から,FedLLMは集中ベースラインよりも予測性能が向上することが示された。
論文 参考訳（メタデータ） (2026-04-17T18:09:44Z) - LLM-Augmented Digital Twin for Policy Evaluation in Short-Video Platforms [12.693132563364342]
ショートビデオプラットフォームはクローズドループ、ヒューマン・イン・ザ・ループのエコシステムであり、ポリシー、クリエーターのインセンティブ、ユーザー行動が共進化する。
モジュール式4ツインアーキテクチャを持つショートビデオプラットフォームに対して,大規模言語モデル(LLM)を付加したディジタルツインを提案する。
論文 参考訳（メタデータ） (2026-03-11T21:50:21Z) - SOP: A Scalable Online Post-Training System for Vision-Language-Action Models [15.86316960521611]
視覚言語アクション(VLA)モデルは、大規模な事前訓練を通じて強力な一般化を実現するが、現実の展開には幅広い汎用性に加えて、専門家レベルのタスク能力が必要である。
VLAモデルの既存のトレーニング後のアプローチは、通常、オフライン、シングルロボット、タスク固有である。
本稿では,一般VLAモデルのオンライン,分散,マルチタスクのポストトレーニングを物理世界に直接適用可能なスケーラブルオンラインポストトレーニングシステムを提案する。
論文 参考訳（メタデータ） (2026-01-06T14:25:11Z) - Forging Spatial Intelligence: A Roadmap of Multi-Modal Data Pre-Training for Autonomous Systems [75.78934957242403]
自動運転車とドローンは、マルチモーダル搭載センサーデータから真の空間情報を必要とする。
本稿では,この目標に向かって進む中核的な技術群を同定し,マルチモーダル・プレトレーニングのためのフレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-30T17:58:01Z) - Self-Rewarding PPO: Aligning Large Language Models with Demonstrations Only [70.43369087819332]
Supervised Fine-tuning (SFT) は、大規模な言語モデルと人間のアノテーションによる実演を整合させる重要な方法として登場した。
本稿では, 自己回帰型PPOを提案する。
論文 参考訳（メタデータ） (2025-10-24T02:02:13Z) - NExT-OMNI: Towards Any-to-Any Omnimodal Foundation Models with Discrete Flow Matching [64.10695425442164]
NExT-OMNI(英語版)は、離散フローパラダイムによる統一モデリングを実現するオープンソース・オムニモーダル・ファンデーション・モデルである。
NExT-OMNIは、大規模なインターリーブ付きテキスト、画像、ビデオ、オーディオデータに基づいて訓練され、マルチモーダル生成および理解ベンチマーク上で競合するパフォーマンスを提供する。
さらなる研究を進めるために、トレーニングの詳細、データプロトコル、およびコードとモデルチェックポイントの両方をオープンソース化する。
論文 参考訳（メタデータ） (2025-10-15T16:25:18Z) - In-the-Flow Agentic System Optimization for Effective Planning and Tool Use [73.72524040856052]
AgentFlowはトレーニング可能なインザフローエージェントフレームワークで、進化するメモリを通じて4つのモジュール(プランナ、実行子、検証子、ジェネレータ)をコーディネートする。
Flow-GRPOは、マルチターン最適化をトラクタブルな単一ターンポリシー更新のシーケンスに変換することで、長い水平、スパース・リワードのクレジット割り当てに取り組む。
エージェントフローは7Bスケールのバックボーンで、平均的精度が14.9%、エージェントが14.0%、数学が14.5%、科学的タスクが4.1%でトップパフォーマンスのベースラインを上回っている。
論文 参考訳（メタデータ） (2025-10-07T05:32:44Z) - FOCoOp: Enhancing Out-of-Distribution Robustness in Federated Prompt Learning for Vision-Language Models [56.31350619667909]
ビジョン言語モデルのためのフェデレーション・プロンプト・ラーニング(FPL)は、分散クライアント間でモデルを協調的に適応するための強力なアプローチである。
既存のFPLアプローチは、特にアウト・オブ・ディストリビューション(OOD)シフトにおいて、パフォーマンスと堅牢性の間のトレードオフに悩まされる。
我々は、クライアント間の多様な分散をキャプチャするFederated OOD-aware Context Optimization (FOCoOp)フレームワークを導入する。
論文 参考訳（メタデータ） (2025-06-19T11:16:02Z) - Flex: End-to-End Text-Instructed Visual Navigation from Foundation Model Features [59.892436892964376]
本稿では,視覚に基づく制御ポリシを用いて,ロバストな閉ループ性能を実現するために必要な最小限のデータ要件とアーキテクチャ適応について検討する。
この知見はFlex (Fly lexically) で合成され, 凍結パッチワイド特徴抽出器として, 事前学習された視覚言語モデル (VLM) を用いたフレームワークである。
本研究では,本手法の有効性を,行動クローンによる訓練を実世界のシーンに応用した,四重項フライ・トゥ・ターゲットタスクに適用した。
論文 参考訳（メタデータ） (2024-10-16T19:59:31Z) - Harvesting Efficient On-Demand Order Pooling from Skilled Couriers: Enhancing Graph Representation Learning for Refining Real-time Many-to-One Assignments [11.0829498096027]
オンデマンドフードデリバリー(OFD)サービスでは、注文後数十分以内に配送のフルフィルメントを提供する。
OFDでは、リアルタイムの順序割り当てで同時配信のために複数の順序をプールすることは、重要な効率源である。
オーダー割り当ての複雑さとリアルタイムの性質は、広範囲な計算を非現実的にし、オーダー統合の可能性を大幅に制限する。
SC配信ネットワーク(SC Delivery Network, SCDN)は、OFDに適した非均一なネットワーク埋め込みを改良した手法に基づいて構築される。
論文 参考訳（メタデータ） (2024-06-20T18:03:27Z)
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。