抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
平滑化されたオンライン最適化の問題を吟味し,そこでは,意思決定者は,ラウンド間の切替決定のコスト,非凸型ヒットコストの和を最小にするために,正規化ベクトル空間でポイントを順次選択しなければならない。意思決定者は,機械学習モデルのようなブラックボックスオラクルへのアクセスを持ち,それは,各ラウンドにおける最適決定の無信頼で潜在的に不正確な予測を提供する。意思決定者の目標は,予測が不正確である場合でも,決定の事後最適シーケンスよりはるかに悪い性能を保証する一方で,予測を正確であれば,予測を利用することである。コストが大域的にα多面体であるという標準仮定を課した。著者らは,新しいアルゴリズム,適応オンラインスイッチング(AOS)を提案し,予測が完全であるならば,予測が完全であれば,1+δ-競合であり,一方,予測が敵対的である場合でも,2 ̄O(1/(αδ))の均一有界競合比も維持することを証明した。さらに,予測が不正確である場合,もし予測が完全であれば少なくとも2 ̄Ω(1/(αδ))-競合であるならば,このトレードオフは(1+δ)-競合であるという意味で,このトレードオフは必要であり,ほとんど最適であることを証明する。事実,このトレードオフにおけるユニークな閾値型挙動を観測した:もしδが実行可能なオプションのセットでないならば,予測が完全であり,予測が任意のζ<∞に対して不正確であるとき,予測が完全で,ζ-競合であるならば,その次に,noalgoアルゴリズムは同時に(1+δ)-競合である。さらに,メモリは,メモリを使わない任意のアルゴリズムが予測から利益を得ることができないことを証明することにより,AOSにおいて重要であることを論じた。マイクログリッド応用に関する数値研究により,理論的結果を補完した。【JST・京大機械翻訳】