文献

J-GLOBAL ID：201802254619098479   整理番号：18A0822235

逆最適化によるロバストなユーティリティ学習フレームワーク【JST・京大機械翻訳】

A Robust Utility Learning Framework via Inverse Optimization

著者 (5件)： Konstantakopoulos Ioannis C. (Electrical Engineering and Computer Sciences Department, University of California, Berkeley, Berkeley, CA, USA) ,  Ratliff Lillian J. (Electrical Engineering Department, University of Washington, Seattle, WA, USA) ,  Jin Ming (Electrical Engineering and Computer Sciences Department, University of California, Berkeley, Berkeley, CA, USA) ,  Sastry S. Shankar (Electrical Engineering and Computer Sciences Department, University of California, Berkeley, Berkeley, CA, USA) ,  Spanos Costas J. (Electrical Engineering and Computer Sciences Department, University of California, Berkeley, Berkeley, CA, USA)
資料名： IEEE Transactions on Control Systems Technology  (IEEE Transactions on Control Systems Technology)
巻： 26  号： 3  ページ： 954-970  発行年： 2018年 
JST資料番号： W0515A  ISSN： 1063-6536  CODEN： IETTE2  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 多くのスマートインフラストラクチャアプリケーションにおいて,持続可能性目標達成における柔軟性は,エンドユーザをエンエージングすることによって得ることができる。しかし,これらのユーザは,操作効率を向上させることによりタスク化された意思決定者にとって知られていない不均一な選好をしばしば持って非協力的プレイヤー間の連続ゲームとしてユーザインタラクションをモデル化し,著者らは,制約付き実行可能一般化最小二乗推定を用いたロバストなパラメトリック効用学習フレームワークを提案した。予測性能を改善するために,著者らは,バギング,バンピング,および勾配ブースティングアンサンブル法によるブートストラッピングを採用することによって,ロバスト効用学習方式を拡張した。さらに,著者らは,著者らが新しい相関効用学習フレームワークを開発するために活用する,プレイヤー間の近似相関を提供する雑音共分散を推定した。提案した方法を,2つの企業間のBertrand-Nash競争から生じるto例と,スマートビル居住者間のエネルギー効率的行動を奨励するために設計された社会ゲーム実験からのデータとの両方に適用した。照明のような共有資源に対する居住者投票データを用いて,提案手法の性能を実証するために,推定効用関数により定義されたゲームをシミュレートした。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【JST・京大機械翻訳】

シソーラス用語： 共分散 ,  意思決定者 ,  *学習 ,  近似法 ,  ゲーム ,  エネルギー効率 ,  効用関数 ,  最小二乗推定 ,  住民 ,  ブートストラップ ,  柔軟性 ,  *ロバスト性 ,  モデリング ,  投票
準シソーラス用語： プレイヤ , 【Automatic Indexing@JST】

分類 (3件)： システム設計・解析  (IA02030D) ,  ロボットの運動・制御  (IC04012J) ,  記憶装置  (JC04060F)

タイトルに関連する用語 (5件)： 最適化 ,  ロバスト ,  ユーティリティ ,  学習 ,  フレームワーク