008240612s2023      us  |||||||||||||||c||eng  d
■001000016931804
■00520240214100120
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798379711702
■035    ▼a(MiAaPQ)AAI30424004
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aSinclair,  Sean  R.▼0(orcid)0000-0002-7011-8253
■24510▼aAdaptivity,  Structure,  and  Objectives  in  Sequential  Decision-Making▼h[electronic  resource]
■260    ▼a[S.l.]:▼bCornell  University.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(368  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  84-12,  Section:  B.
■500    ▼aAdvisor:  Yu,  Christina  Lee.
■5021  ▼aThesis  (Ph.D.)--Cornell  University,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aSequential  decision-making  algorithms  are  ubiquitous  in  the  design  and  optimization  of  large-scale  systems  due  to  their  practical  impact,  leading  to  a  renaissance  of  incorporating  machine  learning  for  decision-making.  This  widespread  societal  adoption  includes  improving  data  centers  with  machine-learned  advice  and  managing  supply  chain  optimization  for  mobile  food  pantry  services.  The  typical  algorithmic  paradigm  ignores  the  sequential  notion  of  these  problems:  use  a  historical  dataset  to  predict  future  uncertainty  and  solve  the  resulting  offline  planning  problem.  Reinforcement  learning  (RL)  provides  a  more  natural  highfidelity  model  for  these  systems,  giving  theoretical  tools  for  the  design  and  analysis  of  an  algorithm's  performance.  These  algorithms  have  seen  historical  success,  but  mainly  in  the  context  of  large-scale  game  playing  and  robotics  with  tabula  rasa  algorithms.  The  fundamental  gap  in  their  adoption  and  performance  in  operations  management  domains  is  theoretically  understanding  how  algorithms  adapt  to  additional  structure  observed  in  these  problems  by  improving  over  min-max  bounds,  incorporating  domain-specific  constraints,  and  adjusting  to  multi-criteria  objectives.In  this  thesis,  we  will  develop  machine  learning  algorithms  for  data-driven  sequential  decision  making  in  the  framework  of  RL,  with  applications  to  social  good,  societal  systems,  and  operations  management.  We  will  consider  designing  methods  for  sequential  decision-making  (bandits,  reinforcement  learning)  that  leverage  auxiliary  data  sources  (imitation  learning,  exogenous  datasets,  geometric  assumptions).  We  will  specialize  this  framework  to  areas  including  nonparametric  RL  algorithms  for  memory  management  and  metrical  task  systems,  fair  resource  allocation,  and  data-driven  algorithm  design  for  bin  packing  with  applications  in  cloud  computing.  Central  to  this,  we  will  additionally  discuss  our  open-source  code  instrumentation  and  methodology  to  analyze  the  multi-criteria  performance  of  algorithms  on  these  problems.To  summarize,  we  will  outline  an  approach  toProvide  techniques  to  scale  reinforcement  learning  algorithms  to  societal  systems  through  three  lenses:  adaptivity,  structure,  and  objectives.In  more  detail,  this  thesis  will  be  separated  into  three  distinct  parts  each  focused  on  considering  the  following  questions: (1)  Adaptivity:  How  can  we  design  algorithms  which  optimally  exploit  geometry  in  the  data  to  provide  enhanced  performance  and  reduce  run-time  and  storage  complexity?  (2)  Structure:  What  additional  structure  and  constraints,  either  on  the  operational  behavior  of  the  algorithm  or  on  the  system,  lead  to  provably  improved  domain-specific  algorithms?(3)  Objectives:  How  can  we  characterize  and  attain  the  Pareto  frontier  of  tradeoffs  between  the  multi-criteria  objectives  in  sequential  decision-making  problems?
■590    ▼aSchool  code:  0058.
■650  4▼aComputer  science.
■650  4▼aMathematics.
■653    ▼aMachine  learning
■653    ▼aMarket  design
■653    ▼aModel  predictive  control
■653    ▼aReinforcement  learning
■653    ▼aResource  allocation
■653    ▼aSequential  decision-making
■690    ▼a0796
■690    ▼a0984
■690    ▼a0405
■690    ▼a0800
■71020▼aCornell  University▼bOperations  Research  and  Information  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g84-12B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0058
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16931804▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024