Fugu-MT 論文翻訳(概要): Learning-Augmented Online Allocation under Unreliable Advice: Robustness, Exposure Fairness, and Distribution Shift

論文の概要: Learning-Augmented Online Allocation under Unreliable Advice: Robustness, Exposure Fairness, and Distribution Shift

arxiv url: http://arxiv.org/abs/2608.26889v1
Date: Thu, 27 Aug 2026 09:46:04 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-28 16:30:58.336363
Title: Learning-Augmented Online Allocation under Unreliable Advice: Robustness, Exposure Fairness, and Distribution Shift
Title（参考訳）: 信頼できないアドバイスによる学習支援型オンラインアロケーション:ロバストネス、露光フェアネス、配電シフト
Abstract要約: 学習強化されたアルゴリズムは予測を用いてオンライン意思決定を改善するが、信頼できないアドバイスは効率と公平性を損なう可能性がある。本研究では,有限候補集合,不可逆決定,露出制約を含むオンライン割当問題について検討する。本稿では,保守的なフォールバックと公平性補正を併用した堅牢で公正なルールを提案する。
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: Learning-augmented algorithms improve online decisions using predictions, but unreliable advice may harm efficiency and fairness. We study an online allocation problem with finite candidate sets, irreversible decisions, and exposure constraints. We propose a robust and fair rule combining advice with a conservative fallback and fairness correction. Under bounded-error assumptions, we prove consistency and robustness with loss proportional to prediction error. Experiments show stability under adversarial advice and significant reductions in exposure disparity.
Abstract（参考訳）: 学習強化されたアルゴリズムは予測を用いてオンライン意思決定を改善するが、信頼できないアドバイスは効率と公平性を損なう可能性がある。本研究では,有限候補集合,不可逆決定,露出制約を含むオンライン割当問題について検討する。本稿では,保守的なフォールバックと公平性補正を併用した堅牢で公正なルールを提案する。有界誤差仮定の下では、予測誤差に比例した損失を伴う一貫性とロバスト性を証明する。実験では、敵対的アドバイスの下での安定性と露光格差の顕著な低減が示されている。

関連論文リスト

Exploring Agentic Tool-Calling Decisions via Uncertainty-Aligned Reinforcement Learning [63.24624171679711]
大規模言語モデル(LLM)ベースのエージェントは、しばしば最適なツール使用の決定を行う。本研究では、不確実性分離を維持するための推進力として、不確実性定量化を報酬設計に組み込んだTRUSTを提案する。
論文参考訳（メタデータ） (2026-06-05T07:08:34Z)
Online Conformal Prediction with Adversarial Semi-bandit Feedback via Regret Minimization [7.4627679994408735]
不確実性定量化は、不確実性の下で決定を下さなければならない安全クリティカルなシステムにおいて重要である。オンライン共形予測は、各段階における予測セットを動的に構築する、原則化されたオンライン不確実性定量化手法である。本稿では,適応的相手からのフィードバックを部分的に受けて,オンライン共形予測のための新しい学習手法を提案する。
論文参考訳（メタデータ） (2026-04-20T09:07:40Z)
Learning-Augmented Ski Rental with Discrete Distributions: A Bayesian Approach [4.702729080310267]
時間的地平線上で正確な後続分布を維持する離散ベイズ的枠組みを提案する。提案アルゴリズムは、事前依存した競合保証を達成し、最悪のケースと完全なインフォームド設定を優雅に補間する。このフレームワークは、自然に複数の予測、一様でない事前情報、文脈情報を組み込むように拡張されている。
論文参考訳（メタデータ） (2025-12-08T08:56:25Z)
Uncertainty-Aware Post-Hoc Calibration: Mitigating Confidently Incorrect Predictions Beyond Calibration Metrics [6.9681910774977815]
本稿では、校正品質と不確実性を考慮した意思決定を向上させるためのポストホック校正フレームワークを提案する。校正基準,不確実性認識性能測定,実証的コンフォメーションカバレッジを用いて総合評価を行った。実験により,提案手法はイソトニックおよび焦点損失ベースラインと比較して,信頼性の低い予測精度と競合予測誤差を実現することが示された。
論文参考訳（メタデータ） (2025-10-19T23:55:36Z)
AdaSwitch: An Adaptive Switching Meta-Algorithm for Learning-Augmented Bounded-Influence Problems [9.387255955861162]
シーケンスベース予測を用いた複数周期オンライン意思決定問題のクラスについて検討する。各期間において、意思決定者は、実現された要求を観察し、報酬を得る、またはコストを請求する不可解な措置を取らなければならない。我々は、過去の決定と要求が将来の最適報酬に限定的な影響を与えるような、バウンド・インフルエンス・フレームワークを導入する。本稿では,AdaSwitchメタアルゴリズムを提案する。これは,予測が正確である場合に,オフラインベンチマークに近い性能を達成するために,予測を利用する。
論文参考訳（メタデータ） (2025-09-02T13:26:23Z)
Knowing When to Stop Matters: A Unified Algorithm for Online Conversion under Horizon Uncertainty [3.6118546479656772]
オンライン変換における重要な課題は、地平線の不確実性の下で意思決定を管理することである。これらの地平線モデルに対して最適な競合保証を実現する統一アルゴリズムを提案する。アルゴリズムを学習強化バージョンに拡張し、水平線予測を利用して性能を適応的にバランスさせる。
論文参考訳（メタデータ） (2025-02-06T07:06:06Z)
Adaptive Conformal Inference by Betting [51.272991377903274]
データ生成プロセスについて仮定することなく適応型共形推論の問題を考察する。適応型共形推論のための既存のアプローチは、オンライン勾配勾配の変種を用いたピンボール損失の最適化に基づいている。本稿では,パラメータフリーなオンライン凸最適化手法を利用した適応型共形推論手法を提案する。
論文参考訳（メタデータ） (2024-12-26T18:42:08Z)
Probabilistic Modeling of Disparity Uncertainty for Robust and Efficient Stereo Matching [61.73532883992135]
本稿では,新しい不確実性を考慮したステレオマッチングフレームワークを提案する。我々はベイズリスクを不確実性の測定として採用し、データを別々に見積もり、不確実性をモデル化する。
論文参考訳（メタデータ） (2024-12-24T23:28:20Z)
LEARN: An Invex Loss for Outlier Oblivious Robust Online Optimization [56.67706781191521]
敵は、学習者に未知の任意の数kの損失関数を破損させることで、外れ値を導入することができる。我々は,任意の数kで損失関数を破損させることで,敵が外乱を発生させることができる,頑健なオンラインラウンド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） (2024-08-12T17:08:31Z)
Binary Classification with Confidence Difference [100.08818204756093]
本稿では,信頼性差分法 (ConfDiff) という,弱教師付き二項分類問題について考察する。本稿では,この問題に対処するためのリスク一貫性のあるアプローチを提案し,推定誤差が最適収束率と一致することを示す。また,整合性や収束率も証明されたオーバーフィッティング問題を緩和するためのリスク補正手法も導入する。
論文参考訳（メタデータ） (2023-10-09T11:44:50Z)
Multi-Stage Decentralized Matching Markets: Uncertain Preferences and Strategic Behaviors [91.3755431537592]
本稿では、現実世界のマッチング市場で最適な戦略を学ぶためのフレームワークを開発する。我々は,不確実性レベルが特徴の福祉対フェアネストレードオフが存在することを示す。シングルステージマッチングと比較して、マルチステージマッチングで参加者がより良くなることを証明します。
論文参考訳（メタデータ） (2021-02-13T19:25:52Z)
Prediction with Corrupted Expert Advice [67.67399390910381]
ステップサイズを減らした古典的乗法重みアルゴリズムの変種が、良質な環境において絶え間なく後悔することを証明する。我々の結果は、しばしば同等のFollow the Regularized Leader(FTRL)とOnline Mirror Descent(OMD)フレームワークの驚くべき相違を明らかにします。
論文参考訳（メタデータ） (2020-02-24T14:39:55Z)

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。