論文の概要: Diffusion-Based Data-Driven Assortment Optimization

• arxiv url: http://arxiv.org/abs/2608.11419v1
• Date: Tue, 11 Aug 2026 20:37:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.369876
• Title: Diffusion-Based Data-Driven Assortment Optimization
• Title（参考訳）: 拡散に基づくデータ駆動配置最適化
• Abstract要約: 導出離散拡散に基づくアソート最適化のためのモデルに依存しないフレームワークを提案する。 提案手法は,高品質なアソシエーションを一貫して識別し,モデルミスセグメンテーションの下では頑健であることを示す。
• 参考スコア（独自算出の注目度）: 14.10927475407741
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Assortment optimization is a fundamental problem in revenue management, typically addressed using parametric choice models such as the multinomial logit (MNL) and its variants. While these models enable tractable formulations, their performance is sensitive to model misspecification and often struggles to capture complex customer behavior. In this paper, we propose a model-agnostic framework for assortment optimization based on guided discrete diffusion. We represent assortments as binary vectors and perform stochastic search via a learned reverse diffusion process, avoiding explicit combinatorial enumeration. To incorporate decision objectives, we introduce a reward-guided mechanism that biases local transitions using estimates of expected revenue. This allows the method to effectively balance exploration and exploitation during generation. Empirically, we show that the proposed approach consistently identifies high-quality assortments and remains robust under model misspecification, often recovering near-optimal solutions in high-dimensional settings. Moreover, the generative nature of diffusion enables the production of diverse high-performing assortments, offering flexibility beyond a single deterministic solution. These results highlight the potential of generative modeling as a scalable and robust paradigm for combinatorial optimization in data-driven decision-making.
• Abstract（参考訳）: アソート最適化は収益管理における基本的な問題であり、通常、マルチノミアルロジット(MNL)とその変種のようなパラメトリック選択モデルを用いて対処される。 これらのモデルは、抽出可能な定式化を可能にするが、それらのパフォーマンスは、モデルのミスセグメンテーションに敏感であり、しばしば複雑な顧客の振る舞いを捉えるのに苦労する。 本稿では,ガイド付き離散拡散に基づく配置最適化のためのモデルに依存しないフレームワークを提案する。 我々は2進ベクトルとしてアソートを表現し、学習された逆拡散過程を通して確率探索を行い、明示的な組合せ列挙を避ける。 意思決定の目的を取り入れるために,予測収益の推定値を用いて局所遷移をバイアスする報酬誘導機構を導入する。 これにより、世代間の探索と利用を効果的にバランスできる。 実験により,提案手法は高品質なアソシエーションを一貫して識別し,モデルミスセグメンテーションの下では頑健であり,高次元設定においてほぼ最適解を復元することが多いことを示す。 さらに、拡散の生成的性質は、多種多様なハイパフォーマンスなアソシエーションの生成を可能にし、単一の決定論的解を超えた柔軟性を提供する。 これらの結果は、データ駆動意思決定における組合せ最適化のためのスケーラブルで堅牢なパラダイムとして、生成モデリングの可能性を強調している。

関連論文リスト

• Constraint-Aware Discrete Black-Box Optimization Using Tensor Decomposition [3.423332499970556]
  本稿では,離散探索空間の構造を捉える論理的分解に基づく代理モデリング手法を提案する。 提案手法は, 有効でない領域からの探索を効果的に誘導することにより, サンプル効率を向上させることを実証した。
  論文  参考訳（メタデータ） (2026-09-08T19:05:24Z)
• Composition and Alignment of Diffusion Models using Constrained Learning [79.36736636241564]
  拡散モデルは、複雑な分布からサンプルを採取する能力により、生成的モデリングにおいて普及している。 i) 拡散モデルを微調整して報酬と整合させるアライメントと、(ii) 予め訓練された拡散モデルを組み合わせて、それぞれが生成した出力に望ましい属性を強調する合成である。 本稿では,共役モデルが報酬制約を満たすこと,あるいは(潜在的に複数の)事前学習モデルに近づき続けることを強制することによって,拡散モデルのアライメントと構成を統一する制約付き最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-26T15:06:30Z)
• Divergence Minimization Preference Optimization for Diffusion Model Alignment [66.31417479052774]
  Divergence Minimization Preference Optimization (DMPO) は、逆KL分散を最小化して拡散モデルを整列する原理的手法である。 DMPOは、異なるベースモデルとテストセットで既存のテクニックを一貫して上回り、適合させることができる。
  論文  参考訳（メタデータ） (2025-07-10T07:57:30Z)
• Preference-Guided Diffusion for Multi-Objective Offline Optimization [64.08326521234228]
  オフライン多目的最適化のための優先誘導拡散モデルを提案する。 我々の指導は、ある設計が他の設計を支配する確率を予測するために訓練された選好モデルである。 本結果は,多種多様な高品質な解を生成する上での分類器誘導拡散モデルの有効性を浮き彫りにした。
  論文  参考訳（メタデータ） (2025-03-21T16:49:38Z)
• An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
  まず最適化モデルを構築し,非単調な選好をモデル化する。 本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。 2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
  論文  参考訳（メタデータ） (2024-09-04T14:36:20Z)
• DiffSG: A Generative Solver for Network Optimization with Diffusion Model [75.27274046562806]
  生成拡散モデルは、様々なクロスドメインアプリケーションで人気がある。 これらのモデルは複雑なネットワーク最適化問題に対処する上で有望である。 本稿では拡散モデルに基づく解生成という,拡散モデル生成のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-08-13T07:56:21Z)
• Diffusion Models as Constrained Samplers for Optimization with Unknown Constraints [55.39203337683045]
  拡散モデルを用いてデータ多様体内で最適化を行う。 目的関数の微分可能性に応じて,2つの異なるサンプリング手法を提案する。 提案手法は,従来の最先端のベースラインよりも優れた,あるいは同等のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-02-28T03:09:12Z)
• Approximate Bayesian Optimisation for Neural Networks [6.921210544516486]
  モデル選択の重要性を強調するために、機械学習アルゴリズムを自動化するための一連の作業が行われた。 理想主義的な方法で解析的トラクタビリティと計算可能性を解決する必要性は、効率と適用性を確保することを可能にしている。
  論文  参考訳（メタデータ） (2021-08-27T19:03:32Z)
• Modeling the Second Player in Distributionally Robust Optimization [90.25995710696425]
  我々は、最悪のケース分布を特徴付けるために神経生成モデルを使うことを議論する。 このアプローチは多くの実装と最適化の課題をもたらします。 提案されたアプローチは、同等のベースラインよりも堅牢なモデルを生み出す。
  論文  参考訳（メタデータ） (2021-03-18T14:26:26Z)

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。