論文の概要: Learning-Augmented Optimization for Strategic Two-Echelon Spare Parts Network Design

• arxiv url: http://arxiv.org/abs/2609.12524v1
• Date: Fri, 11 Sep 2026 07:31:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.655029
• Title: Learning-Augmented Optimization for Strategic Two-Echelon Spare Parts Network Design
• Title（参考訳）: 階層型2エキロン空間部品ネットワーク設計のための学習強化最適化
• Abstract要約: 本研究では,2echelonスペア部品在庫ネットワークの戦略的設計について検討する。 この設計では、数百のサイトを実行可能なクラスタに分割し、各クラスタの中央補充サイトを選択する。 地区は高い貯蓄率の候補者を好んでいるため、楽観的なサロゲートエラーを利用することができる。
• 参考スコア（独自算出の注目度）: 0.39583175274885346
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study the strategic design of a two-echelon spare-parts inventory network where evaluating each candidate topology requires an expensive inventory optimization model. The design partitions hundreds of sites into feasible clusters and selects a central replenishment site for each cluster to reduce costs while maintaining service levels. Because the optimizer favors candidates with high predicted savings, it can exploit optimistic surrogate errors. We develop a conservative framework combining a graph neural network ensemble, variable neighborhood search, and set-partitioning recombination. The surrogate is trained on exact cluster evaluations, while a lower quantile of ensemble-predicted savings guides the search to limit optimism. Clusters found during the search are recombined through set partitioning using surrogate-based objective coefficients. The resulting network is evaluated with the exact inventory model, and only this evaluation is used to report performance. In a case study of 246 fulfillment centers in Amazon's North American network, the framework improves combined savings by 30.5% over an optimization baseline based entirely on exact cluster evaluations, while maintaining approximately 99.8% service across six independent replications. Under equal computational budgets, graph-surrogate-guided search achieves higher mean exact savings than a tabular alternative under both scoring schemes. Conservative scoring improves mean savings for both surrogate classes and reduces the share of final-network clusters overestimated by the graph surrogate from 68% to 28%. Predictive and ranking accuracy deteriorate among search-generated candidates with high surrogate scores, indicating that random holdout performance can incompletely characterize surrogate quality during optimization.
• Abstract（参考訳）: 本研究では,各候補トポロジを評価するために高価な在庫最適化モデルを必要とする2エキロン予備部品在庫ネットワークの戦略的設計について検討する。 この設計では、数百のサイトを実行可能なクラスタに分割し、各クラスタの中央補充サイトを選択して、サービスレベルを維持しながらコストを削減する。 このオプティマイザは高い予測値の候補を好んでいるため、楽観的なサロゲートエラーを利用することができる。 我々は,グラフニューラルネットワークアンサンブル,可変近傍探索,集合分割組換えを組み合わせた保守的枠組みを開発する。 サーロゲートは正確なクラスタ評価に基づいて訓練される一方、アンサンブル予測された貯蓄量の低い量子は、探索を楽観性を制限するためのガイドとなる。 探索中に見つかったクラスタは、サロゲートに基づく目的係数を用いて設定分割によって再結合される。 得られたネットワークを正確な在庫モデルで評価し、この評価のみを用いて性能を報告する。 Amazonの北米ネットワークにおける246のフルフィルメントセンターのケーススタディでは、6つの独立したレプリケーションに対して約99.8%のサービスを維持しながら、完全なクラスタ評価に基づく最適化ベースラインよりも30.5%のコスト削減を実現している。 等価な計算予算の下では、グラフ代理誘導探索は、両方のスコアリングスキームの下で表の代替よりも高い平均的正確な保存を達成する。 保守的なスコアリングは、両方のサロゲートクラスの平均貯蓄を改善し、グラフサロゲートによって過大評価される最終ネットワーククラスタのシェアを68%から28%に削減する。 高いサロゲートスコアを持つ探索生成候補の予測精度とランキング精度は低下し、ランダムなホールドアウト性能が最適化時のサロゲート品質を不完全に特徴付けることが示唆された。

関連論文リスト

• Adaptive Error Budget Allocation for Fault-Tolerant Quantum Resource Estimation: A Metaheuristic Approach [0.14323566945483496]
  システムレベルのリソース推定は、フォールトトレラントな量子コンピューティングツールチェーンの重要なコンポーネントである。 そこで我々は,Azure Quantum Resource Estor上で,微分自由探索を直接行うトレーニングフリー最適化フレームワークを提案する。 MQTベンチの31ファミリーから2から91キュービットに及ぶ433個の回路上で,本フレームワークの評価を行った。
  論文  参考訳（メタデータ） (2026-08-16T07:14:29Z)
• Beyond Text Matching: Towards Reference-Free Evaluation for Human-Oriented Binary Reverse Engineering [30.567931362297553]
  我々は,多次元の人的判断に基づく最初の専門家による基準のない評価ベンチマークであるBinJudgeBenchを紹介する。 BinJudgeは、人間の専門家との相関を4.5%-24.7%改善し、APIコストを0.06$times$-0.84$times$に削減する。
  論文  参考訳（メタデータ） (2026-08-07T09:48:25Z)
• Active Learning with Low-Rank Structure for Data Selection [85.43185363043362]
  低ランク近似と残差に基づくサンプリングに基づく新しいデータ選択フレームワークを提案する。 平均損失がデータセット全体の平均損失を近似した$tildeOleft(k + frac1varepsilon2right)$データポイントの重み付きサブセットを選択することができることを示す。
  論文  参考訳（メタデータ） (2026-06-14T22:29:59Z)
• ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
  ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。 我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-02-27T05:22:01Z)
• K-Sort Eval: Efficient Preference Evaluation for Visual Generation via Corrected VLM-as-a-Judge [51.93484138861584]
  視覚生成モデルの急速な開発により、よりスケーラブルで人間に合わせた評価方法の必要性が高まっている。 K-Sort Evalは,後方補正と動的マッチングを統合した信頼性と効率的なVLMに基づく評価フレームワークである。 実験の結果、K-Sort EvalはK-Sort Arenaと一致した評価結果を提供する。
  論文  参考訳（メタデータ） (2026-02-10T05:07:46Z)
• Almost Asymptotically Optimal Active Clustering Through Pairwise Observations [59.20614082241528]
  そこで本研究では, ノイズと能動的に収集された応答を用いて, M$アイテムを未知数の$K$個別グループにクラスタリングするための新しい分析フレームワークを提案する。 クラスタリングの精度に対する望ましい信頼性を達成するのに必要なクエリ数の基本的下位境界を確立する。 我々は、一般化された同値比統計の計算可能な変種を開発し、その下限に対する性能ギャップを正確に推定できることを実証的に示す。
  論文  参考訳（メタデータ） (2026-02-05T14:16:47Z)
• NeuroPareto: Calibrated Acquisition for Costly Many-Goal Search in Vast Parameter Spaces [13.246738608273711]
  NeuroParetoは、ランク中心のフィルタリング、不確実性回避、履歴条件付き取得戦略を統合する、凝集性のあるアーキテクチャである。 歴史的ハイパーボリュームの改善からオンラインでトレーニングされた軽量な取得ネットワークは、収束と多様性のバランスをとる領域に対する高価な評価を導く。
  論文  参考訳（メタデータ） (2026-02-03T10:02:06Z)
• Rethinking LLM Evaluation: Can We Evaluate LLMs with 200x Less Data? [82.09573568241724]
  EssenceBenchは反復遺伝的アルゴリズム(GA)を利用した粗粒度フレームワーク 提案手法は, 再構成誤差が低く, 効率が著しく向上した, 優れた圧縮結果が得られる。 HellaSwagベンチマーク(10Kサンプル)では,25倍少ないサンプルを用いて,全モデルが5%以内の順位を保ち,わずか200倍少ないサンプルを用いて,95%未満のランキング保持シフトを達成している。
  論文  参考訳（メタデータ） (2025-10-12T05:38:10Z)
• End-to-end Learnable Clustering for Intent Learning in Recommendation [54.157784572994316]
  我々は、アンダーラインELCRecと呼ばれる新しい意図学習手法を提案する。 振る舞い表現学習をUnderlineEnd-to-end UnderlineLearnable UnderlineClusteringフレームワークに統合する。 1億3000万ページビューの産業レコメンデーションシステムに本手法をデプロイし,有望な結果を得る。
  論文  参考訳（メタデータ） (2024-01-11T15:22:55Z)
• Benchmarking PtO and PnO Methods in the Predictive Combinatorial Optimization Regime [59.27851754647913]
  予測最適化(英: Predictive optimization)は、エネルギーコストを意識したスケジューリングや広告予算配分など、多くの現実世界のアプリケーションの正確なモデリングである。 我々は,広告のための新しい産業データセットを含む8つの問題に対して,既存のPtO/PnOメソッド11をベンチマークするモジュラーフレームワークを開発した。 本研究は,8ベンチマーク中7ベンチマークにおいて,PnOアプローチがPtOよりも優れていることを示すが,PnOの設計選択に銀の弾丸は見つからない。
  論文  参考訳（メタデータ） (2023-11-13T13:19:34Z)
• Robust Consensus Clustering and its Applications for Advertising Forecasting [18.242055675730253]
  我々は,専門家の意見に共通する根拠となる真実を見出すことのできる,ロバストなコンセンサスクラスタリングという新しいアルゴリズムを提案する。 提案手法を実世界の広告キャンペーンセグメンテーションと予測タスクに適用する。
  論文  参考訳（メタデータ） (2022-12-27T21:49:04Z)
• Budgeted Classification with Rejection: An Evolutionary Method with Multiple Objectives [0.0]
  予算付きシーケンシャル分類器(BSC)プロセスは、部分的特徴取得と評価ステップのシーケンスを通じて入力を行う。 これにより、不要な特徴取得を防止するための入力の効率的な評価が可能になる。 本稿では,信頼度に基づく拒否オプション付き逐次分類器を構築するための問題固有遺伝的アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-05-01T22:05:16Z)
• Fitting the Search Space of Weight-sharing NAS with Graph Convolutional Networks [100.14670789581811]
  サンプルサブネットワークの性能に適合するグラフ畳み込みネットワークを訓練する。 この戦略により、選択された候補集合において、より高いランク相関係数が得られる。
  論文  参考訳（メタデータ） (2020-04-17T19:12:39Z)

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。