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

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Learning Decisions Offline from Censored Observations with ε-insensitive Operational Costs
عنوان مقاله به فارسی یادگیری تصمیمات آفلاین از مشاهدات سانسور شده با هزینه های عملیاتی غیر حساس
نویسندگان Minxia Chen, Ke Fu, Teng Huang, Miao Bai
فرمت مقاله انگلیسی PDF
تعداد صفحات 47
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,یادگیری ماشین ,
توضیحات Submitted 14 August, 2024; originally announced August 2024.
توضیحات به فارسی ارسال شده در 14 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

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.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.