論文の概要: Contextual Decision Making: Predictive or Generative

• arxiv url: http://arxiv.org/abs/2610.32584v1
• Date: Fri, 23 Oct 2026 13:10:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.521604
• Title: Contextual Decision Making: Predictive or Generative
• Title（参考訳）: 文脈決定:予測的または生成的
• Abstract要約: 2つの自然なアプローチは予測列最適化(PtO)と生成列最適化(GtO)である。 学習対象の選択が統計的精度と最適トラクタビリティに与える影響について検討する。 GtOはシナリオワイドな凸性を保持するが、よりリッチなオブジェクトを学習し、最適化のためのシナリオを生成する必要がある。
• 参考スコア（独自算出の注目度）: 3.203973145772361
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Contextual decision making uses observed covariates to guide decisions under uncertainty. Two natural approaches are predict-then-optimize (PtO), which learns the conditional expected objective, and generate-then-optimize (GtO), which learns conditional uncertainty and optimizes using generated scenarios. We study when each approach is preferable by examining how the choice of learning target affects statistical accuracy and optimization tractability. Although PtO learns a narrower target, our regret bounds show how differences in smoothness can offset GtO's additional dimensional burden. Exploiting smoothness also raises an optimization tradeoff: within the class of nonnegative-weight PtO methods studied, a lower bound limits the gains from additional smoothness, while more flexible methods may introduce signed weights and lose the guarantee of preserving convexity. GtO preserves scenario-wise convexity, but requires learning a richer object and generating scenarios for optimization. Synthetic experiments and a real case study illustrate how these tradeoffs vary with data availability and problem structure. Together with the scope for reusing a model across tasks, our findings provide practical guidance for choosing between the approaches without identifying a universal winner.
• Abstract（参考訳）: 文脈的意思決定は観察された共変量を用いて不確実性の下での意思決定を導く。 2つの自然なアプローチは、条件付き予測目標を学習する予測テーマ最適化(PtO)と、条件付き不確実性を学び、生成されたシナリオを用いて最適化する生成テーマ最適化(GtO)である。 学習対象の選択が統計的精度と最適トラクタビリティにどのように影響するかを検討することによって,それぞれのアプローチが望ましいかを検討する。 PtOはより狭い目標を学習するが、我々の後悔の限界は、滑らかさの違いがGtOの余剰次元重みを相殺することを示している。 非負の重みのないPtO法のクラスでは、より低い境界は、さらなる滑らかさによる利得を制限する一方、より柔軟な方法は、符号付きウェイトを導入し、凸性を保存する保証を失う。 GtOはシナリオワイドな凸性を保持するが、よりリッチなオブジェクトを学習し、最適化のためのシナリオを生成する必要がある。 合成実験と実ケーススタディは、これらのトレードオフがデータ可用性や問題構造とどのように異なるかを示している。 本研究は,タスク間でモデルを再利用する範囲とともに,普遍的な勝者を特定することなく,各アプローチを選択するための実践的なガイダンスを提供する。

関連論文リスト

• Decision-Driven Regularization: A Blended Model for Learning and Optimization [1.4055982190455338]
  学習と最適化のアプローチについて検討し、まず特徴から結果がどう影響するかを学習し、次にこれらの結果に基づいて最適な決定を選択する。 本稿では, 予測精度とコスト最小化のバランスを保ち, 決定駆動正規化(Deciciment-driven regularization)と呼ばれる二目的定式化を提案する。
  論文  参考訳（メタデータ） (2026-08-15T08:49:33Z)
• Online Decision-Focused Learning [74.3205104323777]
  意思決定中心学習(DFL)は、意思決定タスクで予測出力が使用されるモデルのトレーニングパラダイムとして、ますます人気が高まっている。 本稿では,目的関数を規則化し,その相違を解消し,非最適関数を克服する方法を検討する。 また、クナップサック実験におけるアルゴリズムの有効性を示し、2つの標準ベンチマークを上回りました。
  論文  参考訳（メタデータ） (2025-05-19T10:40:30Z)
• From Data to Uncertainty Sets: a Machine Learning Approach [5.877778007271621]
  我々は、堅牢な最適化を活用し、機械学習モデルの出力の不確実性に対する制約を保護する。 我々は違反の可能性を強く保証する。 合成計算実験では、この手法は他の手法よりも1桁小さい半径を持つ不確実性集合を必要とする。
  論文  参考訳（メタデータ） (2025-03-04T01:30:28Z)
• End-to-End Learning for Fair Multiobjective Optimization Under Uncertainty [55.04219793298687]
  機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。 本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。 この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
  論文  参考訳（メタデータ） (2024-02-12T16:33:35Z)
• Predict-Then-Optimize by Proxy: Learning Joint Models of Prediction and Optimization [59.386153202037086]
  Predict-Then-フレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。 このアプローチは非効率であり、最適化ステップを通じてバックプロパゲーションのための手作りの、問題固有のルールを必要とする。 本稿では,予測モデルを用いて観測可能な特徴から最適解を直接学習する手法を提案する。
  論文  参考訳（メタデータ） (2023-11-22T01:32:06Z)
• Scalable Bayesian Meta-Learning through Generalized Implicit Gradients [64.21628447579772]
  Inlicit Bayesian Meta-learning (iBaML) 法は、学習可能な事前のスコープを広げるだけでなく、関連する不確実性も定量化する。 解析誤差境界は、明示的よりも一般化された暗黙的勾配の精度と効率を示すために確立される。
  論文  参考訳（メタデータ） (2023-03-31T02:10:30Z)
• High Probability Complexity Bounds for Non-Smooth Stochastic Optimization with Heavy-Tailed Noise [51.31435087414348]
  アルゴリズムが高い確率で小さな客観的残差を与えることを理論的に保証することが不可欠である。 非滑らか凸最適化の既存の方法は、信頼度に依存した複雑性境界を持つ。 そこで我々は,勾配クリッピングを伴う2つの手法に対して,新たなステップサイズルールを提案する。
  論文  参考訳（メタデータ） (2021-06-10T17:54:21Z)
• Learning MDPs from Features: Predict-Then-Optimize for Sequential Decision Problems by Reinforcement Learning [52.74071439183113]
  我々は、強化学習を通して解決された逐次決定問題(MDP)の文脈における予測列最適化フレームワークについて検討した。 2つの重要な計算課題は、意思決定中心の学習をMDPに適用することである。
  論文  参考訳（メタデータ） (2021-06-06T23:53:31Z)
• Data-Driven Robust Optimization using Unsupervised Deep Learning [0.0]
  逆問題に対して凸混合整数プログラムとして定式化することにより、トレーニングされたニューラルネットワークをロバストな最適化モデルに統合できることを示す。 このアプローチは、カーネルベースのサポートベクターセットを用いて、同様のアプローチより優れていることが判明した。
  論文  参考訳（メタデータ） (2020-11-19T11:06:54Z)

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。