論文の概要: Budget-First Tariff Recommendation (BFTR): A Complete Algorithmic Framework for Telecom Plan Recommendation without Overcharging
- arxiv url: http://arxiv.org/abs/2608.18723v1
- Date: Wed, 19 Aug 2026 09:24:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-20 20:13:55.362676
- Title: Budget-First Tariff Recommendation (BFTR): A Complete Algorithmic Framework for Telecom Plan Recommendation without Overcharging
- Title（参考訳）: BFTR(Budget-First Tariff Recommendation) - 通信計画推薦のための完全アルゴリズムフレームワーク。
- Abstract要約: 本稿では,8つのBudget-First戦略を統合した完全なアルゴリズムフレームワークであるBFTRを提案する。
我々は、各戦略を数学的に定式化し、いかなる肯定的な予算のオファーの存在を証明し、補正に使用しない全ての戦略に対して価格ずれ(代金)がゼロであることを証明する。
ナイジェリアのMTN市場からインスパイアされた974人の顧客のデータセットの実験によると、 (i)再帰的ハイブリッドは、顧客(100%予算、29.9GBボリューム、ユーティリティ0.946、0%オーバーチャージ)に最適であり、 (ii)Piecewiseは、39.7GBの最高ボリュームを提供する。
- 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: Telecom operators traditionally offer predefined tariff grids, forcing users to choose from a limited set of plans. This paper proposes BFTR (Budget-First Tariff Recommendation), a complete algorithmic framework integrating eight Budget-First strategies, including two original hybrid approaches: Recursive Hybrid (conditional interpolation) and Knapsack-First Hybrid (priority knapsack). Unlike existing approaches that adjust prices upward to guarantee a minimum margin, BFTR guarantees the absence of overcharging by systematically aligning the final price with the catalog reference price. We mathematically formalize each strategy, prove the existence of an offer for any positive budget, and prove that the price deviation (surcharge) is zero for all strategies that do not use interpolation with correction. A detailed comparative analysis confronts BFTR to ten main existing tariff models on ten dimensions. Experiments on a dataset of 974 customers inspired by the Nigerian MTN market show that: (i) Recursive Hybrid is optimal for the customer (100% budget used, 29.9 GB volume, utility 0.946, 0% overcharging), (ii) Piecewise offers the highest volume (39.7 GB) with 0% overcharging, (iii) Power Law provides an excellent compromise (99.9% budget, 38.1 GB, 0% overcharging). All strategies achieve a zero surcharge, confirming the theoretical guarantees. A sensitivity analysis on the weighting parameter alpha (0.2 - volume priority, 0.5 - balance, 0.8 - budget priority) shows that utility rankings evolve logically. Execution times (< 10 ms) and very low failure rates (0% for robust strategies) confirm the operational viability of the system. The formal proof of the absence of overcharging constitutes a major theoretical contribution.
- Abstract（参考訳）: 通信事業者は伝統的に事前定義された関税グリッドを提供しており、ユーザーは限られた計画から選択せざるを得ない。
本稿では, 再帰的ハイブリッド (条件補間) と Knapsack-First Hybrid (プライオリティknapsack) の2つのアプローチを含む, 8つの予算第一戦略を統合する完全なアルゴリズムフレームワークであるBFTRを提案する。
最低限のマージンを保証するために価格を上向きに調整する既存のアプローチとは異なり、BFTRは最終価格をカタログ参照価格と体系的に整合させることで、オーバーチャージがないことを保証している。
我々は,各戦略を数学的に定式化し,正の予算に対する提案の存在を証明し,補正に補間を使用しないすべての戦略に対して,価格偏差(代金)がゼロであることを証明する。
詳細な比較分析では、BFTRが10次元の既存の10の関税モデルに直面する。
ナイジェリアのMTN市場からインスパイアされた、974人の顧客によるデータセットの実験は、次のように示している。
(i)再帰ハイブリッドは、顧客(100%予算使用、29.9GBボリューム、ユーティリティ0.946、0%オーバーチャージ)に最適である。
(二)Piecewiseは0%のオーバーチャージで最高ボリューム(39.7GB)を提供する。
(3)電力法は、優れた妥協(99.9%の予算、38.1GB、0%の過給)を提供する。
すべての戦略はゼロサチャージを達成し、理論的保証を確認します。
重み付けパラメータα(0.2 - ボリューム優先度、0.5 - バランス、0.8 - 予算優先度)の感度分析は、ユーティリティランキングが論理的に進化していることを示している。
実行時間(10ms)と非常に低い失敗率(堅牢な戦略では0%)は、システムの運用可能性を確認します。
オーバーチャージがないという公式な証明は、主要な理論的貢献である。
関連論文リスト
- Pandora's AI Model Routing Box: Efficient Allocation with Costly Value Estimation [64.51088225051959]
不均一なAIシステムは、最低コストで最も効果的に答えられる専門家にクエリをルーティングすることで、品質と効率を向上させることができる。
我々はこのトレードオフをPandoraのBoxの例として定式化した。
ガウス信号モデルの下では、得られたポリシーは、各専門家とインプットに対して、その価値見積の精算がそのコストに値するかどうかを決定する、クローズドフォームな情報表現を持つ。
論文 参考訳（メタデータ） (2026-08-20T17:54:37Z) - Adversarial Frontiers: Minimum-Norm Attack Ensembles for Robustness Evaluation [19.68581886369122]
アドリアロバスト性は、AutoAttackのような事前に定義された攻撃アンサンブルで、単一の摂動予算$varepsilon$で評価される。
我々は、この定式化は基本的に制限されていると主張している。第一に、頑健な摂動曲線は、モデル間で異なる速度で交差または崩壊し、単一の$varepsilon$ランキングが不安定になる。第二に、現在のアンサンブルは最適性の証拠を示さず、未知のギャップを最悪の場合のパフォーマンスに残す。
論文 参考訳（メタデータ） (2026-07-22T07:43:38Z) - MMAO-Cls: Metabolic Multi-Agent Optimization for Joint Feature Selection and Classifier Tuning [0.5156484100374058]
MMAO(Multi-Agent Metabolic)は、分類モデル選択のための信頼性の高い外ループとして機能する。
本稿では,MMAO-Clsを提案する。MMAO-Clsは,各エージェントが2次元特徴マスクとハイパーパラメータを共に符号化する混合空間実現法である。
MMAO-Clsを7種類の標準ベンチマークで評価し,RandomSearch,GA-lite,PSO-lite,内因性no-sharing ablationと比較した。
論文 参考訳（メタデータ） (2026-07-01T23:40:27Z) - Decoupled Conformal Optimisation: Efficient Prediction Sets via Independent Tuning and Calibration [20.21455697379946]
そこで我々は,列車チューンキャリブレート設計の原則としてデカップリング・コンフォーマル最適化(DCO)を提案する。
DCOは、効率指向構造選択のために独立したチューニングスプリットと、最終共形量子化のための新鮮なキャリブレーションスプリットを使用する。
DCOは,PACスタイルのキャリブレーションに対して,平均予測セットサイズや間隔幅を小さくしながら,名目カバレッジレベルを密に追跡する。
論文 参考訳（メタデータ） (2026-05-18T13:10:21Z) - 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) - Accelerating RL for LLM Reasoning with Optimal Advantage Regression [52.0792918455501]
本稿では,最適優位関数を直接近似する新しい2段階ポリシー最適化フレームワークを提案する。
A$*-POは、幅広い数学的推論ベンチマークで競合性能を達成する。
PPO、GRPO、REBELと比較して、トレーニング時間を最大2$times$、ピークメモリ使用率を30%以上削減する。
論文 参考訳（メタデータ） (2025-05-27T03:58:50Z) - One-Stage Top-$k$ Learning-to-Defer: Score-Based Surrogates with Theoretical Guarantees [6.792743621449621]
最初の1段階のTop-k$ Learning-to-Deferフレームワークを紹介します。
我々は、最もコスト効率の良いエンティティラベルや専門家1人当たりのインプットを$k$で選択するスコアベースの共有モデルを学ぶ。
CIFAR-10とSVHNの実験により、我々の1段階のTop-$k$法がTop-1deferralを厳密に上回っていることを確認した。
論文 参考訳（メタデータ） (2025-05-15T10:41:16Z) - Combinatorial Stochastic-Greedy Bandit [79.1700188160944]
我々は,選択した$n$のアームセットのジョイント報酬以外の余分な情報が観測されない場合に,マルチアームのバンディット問題に対する新規グリーディ・バンディット(SGB)アルゴリズムを提案する。
SGBは最適化された拡張型コミットアプローチを採用しており、ベースアームの大きなセットを持つシナリオ用に特別に設計されている。
論文 参考訳（メタデータ） (2023-12-13T11:08:25Z) - Rate-Optimal Policy Optimization for Linear Markov Decision Processes [65.5958446762678]
最安値の$widetilde O (sqrt K)$ regret, $K$はエピソード数を表す。
我々の研究は、バンディットフィードバックのある設定において最適な収束率(w.r.t.$K$)を確立する最初のものである。
現在、最適なレート保証を持つアルゴリズムは知られていない。
論文 参考訳（メタデータ） (2023-08-28T15:16:09Z) - Dynamic Budget Throttling in Repeated Second-Price Auctions [11.823210231891517]
スロットリングは人気のある選択であり、広告主の総支出を管理するために、オークションのサブセットだけを選択することで、広告主の総支出を管理する。
本稿では,2次価格の繰り返しオークションにおいて,単一の広告主の動的予算絞りプロセスの理論的パノラマを提供する。
本研究は, 競売におけるスロットリングの理論的研究のギャップを埋めるものであり, この一般的な予算平滑化戦略の能力を明らかにするものである。
論文 参考訳（メタデータ） (2022-07-11T08:12:02Z) - Understanding the Effect of Stochasticity in Policy Optimization [86.7574122154668]
最適化手法の優位性は、正確な勾配が用いられるかどうかに大きく依存することを示す。
次に,政策最適化におけるコミット率の概念を紹介する。
第三に、外部のオラクル情報がない場合には、収束を加速するために幾何を利用することと、最適性をほぼ確実に達成することとの間に本質的にトレードオフがあることが示される。
論文 参考訳（メタデータ） (2021-10-29T06:35:44Z) - Cost-Efficient Online Hyperparameter Optimization [94.60924644778558]
実験の単一実行でヒトのエキスパートレベルのパフォーマンスに達するオンラインHPOアルゴリズムを提案します。
提案するオンラインhpoアルゴリズムは,実験の1回で人間のエキスパートレベルのパフォーマンスに到達できるが,通常のトレーニングに比べて計算オーバーヘッドは少ない。
論文 参考訳（メタデータ） (2021-01-17T04:55:30Z)
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。