ブートストラップロバスト予測解析【JST・京大機械翻訳】

Bertsimas Dimitris; Van Parys Bart

プレプリント

J-GLOBAL ID：202202217168884579 整理番号：21P0005595

ブートストラップロバスト予測解析【JST・京大機械翻訳】

Bootstrap Robust Prescriptive Analytics

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (2件)： ,
資料名：
発行年： 2017年11月27日プレプリントサーバーでの情報更新日： 2021年06月08日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

コスト関数がデータから学習される必要がある不確実な問題パラメータに依存するフレームワークにおける最適決定を処方する問題に取り組んだ。以前の研究は,教師つき機械学習法に基づく記述的定式化を提案した。これらの記述的方法は,任意の静的決定より優れているコンテキスト特異的行動を取るために,潜在的に大きな数の共変量に関する文脈的情報における要因となり得る。しかし,雑音のあるあるいは崩壊したデータで動作するとき,そのような名目上の記述的方法は,逆の過適合現象の影響を受けやすく,サンプル外データの一般化に失敗する。本論文では,ロバスト最適化と統計的ブートストラップからアイデアを結合して,過剰適合に対して保護する新しい記述法を提案した。特に,そのような名目上の定式化に対する特定のエントロピーロバスト対応物が合成ブートストラップデータに対して優れた性能を保証することを示した。ブートストラップデータはしばしば実際のサンプル外データに対する顕在的プロキシであるので,著者らのロバスト対応物は,良好なサンプル外性能を直接奨励できると解釈できる。さらに,関連するロバストな記述的方法は,最近傍やNadaraya-Watson学習のような局所学習手法の文脈において,便利な扱いやすい凸最適化問題に縮小する。小さなニュースベンダー問題に関する著者らのデータ駆動意思決定フレームワークと著者らの新しいロバスト性概念を説明した。【JST・京大機械翻訳】

, , , , , , ,
, , , , , , , 【Automatic Indexing@JST】

人工知能 , 生体計測

前のページに戻る