論文の概要: Deciding When to Decide: Testing Operational Suboptimality Under Distributional Shift
- arxiv url: http://arxiv.org/abs/2608.29465v1
- Date: Sat, 29 Aug 2026 23:21:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.976214
- Title: Deciding When to Decide: Testing Operational Suboptimality Under Distributional Shift
- Title（参考訳）: いつ決定するかを決める: 分散シフト下での運用上の最適性をテストする
- Abstract要約: 我々は,リフレッシブな選好を推論するために,逆最適化を用いる決定中心のフレームワークであるtextttRADAR (Regret-based Assessment of Decision Adequacy and Risk) を提案する。
残念なことに、textttRADARは、再最適化を保証している変更を検出しながら、決定非関連なシフトを無視する。
- 参考スコア（独自算出の注目度）: 6.370987174111389
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deployed decisions are often optimized once and retained because updates impose operational, regulatory, or switching costs. As operating conditions change, when should such decisions be re-optimized? We study this question for stochastic optimization when the objective's functional form is known but the decision maker's trade-offs are encoded by an unknown preference parameter. Standard distribution-shift tests are poorly aligned with this goal: they can flag detectable yet decision-irrelevant changes without determining whether the incumbent decision has become materially suboptimal. We propose \texttt{RADAR} (Regret-based Assessment of Decision Adequacy and Risk), a decision-focused framework that uses inverse optimization to infer latent preferences and tests the deployed decision's optimality gap under the current distribution. By targeting regret, \texttt{RADAR} ignores decision-irrelevant shifts while detecting changes that warrant re-optimization. We develop two-sample and sequential changepoint procedures and establish asymptotic guarantees for Type-I error and power. Across synthetic optimization problems, a semi-synthetic capacity allocation task, and police-zone planning, \texttt{RADAR} more reliably distinguishes harmful from harmless shifts than decision-agnostic alternatives.
- Abstract（参考訳）: 更新には運用、規制、切り替えのコストが課されるため、デプロイされた決定は一度最適化され、保持されることが多い。
運用条件が変わると、そのような決定はいつ再最適化されるべきなのか?
本稿では,目的の関数形式が知られているが,意思決定者のトレードオフが未知の選好パラメータによって符号化されている場合の確率的最適化について検討する。
既存の決定が実質的に最適かどうかを判断することなく、検出可能かつ決定に無関係な変更にフラグを付けることができる。
提案するフレームワークは,現在の分布下での配置された決定の最適性ギャップを推論し,検証するために,逆最適化を用いた意思決定に焦点を当てたフレームワークである。
後悔をターゲットにして、 \texttt{RADAR} は、再最適化を保証した変更を検出しながら、決定非関連なシフトを無視する。
我々は,2サンプルおよび逐次的変更点法を開発し,I型エラーとパワーの漸近的保証を確立する。
合成最適化問題、半合成キャパシティ割り当てタスク、および警察ゾーン計画、 \texttt{RADAR} は、決定に依存しない代替案よりも有害な無害なシフトをより確実に区別する。
関連論文リスト
- Reinforcement learning to choose optimizers [0.0]
『強化学習選択』では、逐次的な意思決定問題としてアルゴリズムの選択が採用されている。
ポートフォリオにはグラデーションベースとデリバティブフリーが含まれており、各スイッチは現在のベストソリューションと代表的なステップサイズをパスする。
目に見えない問題では、学習されたポリシーは最小の予算を除いてすべてのポートフォリオを上回ります。
論文 参考訳（メタデータ） (2026-09-01T19:35:31Z) - Uncertainty-Aware Generation and Decision-Making Under Ambiguity [57.15357080072861]
本稿では,ベイズ決定理論とリスク逆決定法に基づく不確実性を考慮した意思決定アルゴリズムを提示し,評価する。
これらのアルゴリズムは世代別の有用性を向上させることができるが、あいまいさが高い場合には慎重に実装する必要があることを実証的に見出した。
論文 参考訳（メタデータ） (2026-06-29T17:20:43Z) - Dynamic Objective Selection with Safeguards and LLM Oversight for Financial Decision-Making [33.643275739813056]
DOSS(Dynamic Objective Selection with Safeguards)は,各時点における決定関連目的関数を直接選択する学習ベースのセレクタである。
DOSSは客観的選択を目的の分類問題として定式化し、ローリングウィンドウで逐次更新を行う。
ミスの選択とデプロイの過度な切り替えを軽減するため、DOSSはフェールセーフで信頼度を意識したゲーティングを適用し、低信頼の提案を保守的なデフォルトにオーバーライドし、スイッチング周波数に関連する明示的なコントロールを実行する。
論文 参考訳（メタデータ） (2026-06-02T14:22:07Z) - Learning Polyhedral Conformal Sets for Robust Optimization [10.504036065018216]
本稿では,頑健な最適化目標に適した不確実性集合を学習する,意思決定対応型コンフォメーションフレームワークを提案する。
提案手法は,データ駆動型超平面による多面体集合のフレキシブルなファミリーをパラメータ化し,誘導されたロバスト損失を直接最小化することでそれらの幾何学を学習する。
オラクル決定に対する準最適ギャップの有限サンプルカバレッジ保証とバウンダリを提供する。
論文 参考訳（メタデータ） (2026-05-08T21:39:41Z) - Position Paper: Post-Solve Robustness in Decision Engines: Feasible Regions and Smoothness Under Perturbations [0.913755431537592]
Mixed-Integer Linear Programming (MILP)決定エンジンは、高スループット産業システムのための名目上最適な計画を定期的に出力する。
デプロイメントは解決時間の仮定とほとんど一致しない。
コスト、要求、資源の可用性の小さな摂動は、実現可能性の無効化や、質的に異なるソリューションへの不連続なシフトを引き起こす可能性がある。
論文 参考訳（メタデータ） (2026-03-25T03:34:11Z) - A Principled Approach to Randomized Selection under Uncertainty: Applications to Peer Review and Grant Funding [61.86327960322782]
本稿では,各項目の品質の間隔推定に基づくランダム化意思決定の枠組みを提案する。
最適化に基づく最適化手法であるMERITを導入する。
MERITが既存のアプローチで保証されていない望ましい公理特性を満たすことを証明している。
論文 参考訳（メタデータ） (2025-06-23T19:59:30Z) - Treatment Effect Estimation for Optimal Decision-Making [65.30942348196443]
2段階CATE推定器を用いた最適意思決定について検討する。
本稿では,CATE推定誤差と判定性能のバランスをとるためにCATEを再ターゲットとした2段階学習目標を提案する。
論文 参考訳（メタデータ） (2025-05-19T13:24:57Z) - Safe Sequential Optimization for Switching Environments [0.0]
本稿では,時間とともに切り替わる未知の時間変化関数を最大化するために,逐次決定エージェントを設計する問題を考察する。
本稿では、Adaptive-SafeOptと呼ばれるポリシーを提案し、シミュレーションによる性能評価を行う。
論文 参考訳（メタデータ） (2023-11-03T05:41:42Z) - Optimization's Neglected Normative Commitments [3.3388234549922027]
潜在的に高い意思決定にアプローチするために使用されるパラダイムは、現実世界を決定(s)、目的(s)、制約(s)の集合に抽象化することに依存している。
本稿では,最適化に必須の規範的選択と仮定について述べる。
その後、無視される可能性のある6つの緊急問題を特定する。
論文 参考訳（メタデータ） (2023-05-27T12:43:15Z) - Generalizing Bayesian Optimization with Decision-theoretic Entropies [102.82152945324381]
統計的決定論の研究からシャノンエントロピーの一般化を考える。
まず,このエントロピーの特殊なケースがBO手順でよく用いられる獲得関数に繋がることを示す。
次に、損失に対する選択肢の選択が、どのようにして柔軟な獲得関数の族をもたらすかを示す。
論文 参考訳（メタデータ） (2022-10-04T04:43:58Z) - Off-Policy Evaluation with Policy-Dependent Optimization Response [90.28758112893054]
我々は,テキスト政治に依存した線形最適化応答を用いた非政治評価のための新しいフレームワークを開発した。
摂動法による政策依存推定のための非バイアス推定器を構築する。
因果介入を最適化するための一般的なアルゴリズムを提供する。
論文 参考訳（メタデータ） (2022-02-25T20:25:37Z) - Bandit Linear Optimization for Sequential Decision Making and
Extensive-Form Games [102.23975166536326]
tree-form sequential decision making (tfsdm) は、エージェントと潜在的に敵対的な環境の間のツリー形式の相互作用をモデル化することで、古典的なワンショット意思決定を拡張する。
これは、各プレイヤーが幅広い形式のゲームで直面するオンライン意思決定問題、およびマルコフ決定プロセス、およびエージェントが観測された履歴を条件とする部分観察可能なマルコフ決定プロセスをキャプチャする。
本稿では, (i) 線形時間損失と (ii) $o(sqrtt)$ cumulative regret の両方を提供する拡張dmのバンディット線形最適化問題に対する最初のアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-03-08T05:00:13Z)
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。