ترجمه فارسی مقاله یادگیری تصمیمات آفلاین از مشاهدات سانسور شده با هزینه های عملیاتی غیر حساس

چکیده

Many important managerial decisions are made based on censored observations. Making decisions without adequately handling the censoring leads to inferior outcomes. We investigate the data-driven decision-making problem with an offline dataset containing the feature data and the censored historical data of the variable of interest without the censoring indicators. Without assuming the underlying distribution, we design and leverage ε-insensitive operational costs to deal with the unobserved censoring in an offline data-driven fashion. We demonstrate the customization of the ε-insensitive operational costs for a newsvendor problem and use such costs to train two representative ML models, including linear regression (LR) models and neural networks (NNs). We derive tight generalization bounds for the custom LR model without regularization (LR-εNVC) and with regularization (LR-εNVC-R), and a high-probability generalization bound for the custom NN (NN-εNVC) trained by stochastic gradient descent. The theoretical results reveal the stability and learnability of LR-εNVC, LR-εNVC-R and NN-εNVC. We conduct extensive numerical experiments to compare LR-εNVC-R and NN-εNVC with two existing approaches, estimate-as-solution (EAS) and integrated estimation and optimization (IEO). The results show that LR-εNVC-R and NN-εNVC outperform both EAS and IEO, with maximum cost savings up to 14.40% and 12.21% compared to the lowest cost generated by the two existing approaches. In addition, LR-εNVC-R’s and NN-εNVC’s order quantities are statistically significantly closer to the optimal solutions should the underlying distribution be known.

چکیده به فارسی (ترجمه ماشینی)

بسیاری از تصمیمات مهم مدیریتی بر اساس مشاهدات سانسور شده اتخاذ می شوند.تصمیم گیری بدون دستیابی به سانسور مناسب منجر به نتایج فرومایه می شود.ما مشکل تصمیم گیری داده محور را با یک مجموعه داده آفلاین حاوی داده های ویژگی و داده های تاریخی سانسور شده متغیر مورد علاقه بدون شاخص های سانسور بررسی می کنیم.بدون فرض توزیع اساسی ، ما هزینه های عملیاتی حساس ε را برای مقابله با سانسور بدون نظارت به روشی آفلاین محور طراحی و استفاده می کنیم.ما سفارشی سازی هزینه های عملیاتی ε-in حساس را برای یک مشکل Newsvendor نشان می دهیم و از چنین هزینه هایی برای آموزش دو مدل ML نماینده ، از جمله مدل های رگرسیون خطی (LR) و شبکه های عصبی (NNS) استفاده می کنیم.ما مرزهای تعمیم محکم را برای مدل LR سفارشی بدون تنظیم (LR-εNVC) و با تنظیم (LR-εNVC-R) و یک تعمیم با قابلیت بالا برای NN سفارشی (NN-εNVC) آموزش داده شده توسط نزول شیب تصادفی استخراج می کنیم.نتایج نظری ثبات و یادگیری LR-εNVC ، LR-εNVC-R و NN-εNVC را نشان می دهد.ما آزمایش های عددی گسترده ای را برای مقایسه LR-εNVC-R و NN-εNVC با دو رویکرد موجود انجام می دهیم ، برآورد و برآورد و بهینه سازی یکپارچه تخمین (EAS) و یکپارچه (IEO).نتایج نشان می دهد که LR-εNVC-R و NN-εNVC از EAS و IEO بهتر است ، با حداکثر صرفه جویی در هزینه تا 14.40 ٪ و 12.21 ٪ در مقایسه با کمترین هزینه تولید شده توسط دو روش موجود.علاوه بر این ، مقادیر سفارش LR-εNVC-R و NN-εNVC از نظر آماری به طور قابل توجهی به محلول های بهینه نزدیک هستند در صورت شناخته شدن توزیع اساسی.