MARC

 008260126s2025        us                              c    eng  d
■001000017356943
■00520260202103105
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798288863073
■035    ▼a(MiAaPQ)AAI31935383
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a658
■1001  ▼aAykanat,  Dilara.
■24510▼aData  Driven  Simulation  Frameworks  for  Operational  Decision  Making
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a97  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-01,  Section:  B.
■500    ▼aAdvisor:  Zheng,  Zeyu.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2025.
■520    ▼aMany  real  world  processes  can  be  modeled  as  stochastic  systems  that  necessitate  simulations  to  evaluate  multiple  scenarios.  However,  uncertainties  in  input  data,  limited  historical  information,  high  computational  costs  and  the  need  for  extensive  simulations  create  several  challenges:  i)  The  exact  optimization  of  the  final  objective  might  be  infeasible  or  costly  which  makes  the  simulation  necessary.  ii)  The  past  data  may  not  be  sufficient  to  estimate  the  input  parameters  with  high  confidence.  iii)  Errors  in  the  input  distribution  estimates  can  propagate  and  potentially  affect  the  final  objective  predictions  which  may  lead  to  suboptimal  decisions.  This  dissertation  presents  simple  and  versatile  simulation  frameworks  for  data-driven  operational  decision  making:  i)  We  introduce  a  regularized  simulation  setting  where  the  task's  objective  is  considered  in  the  training  of  the  generators  for  a  more  accurate  scenario  planning.  ii)  We  propose  a  simple  general  approach  to  the  classical  newsvendor  problem  with  limited  past  information  that  balances  the  uncertainty  risk.  Our  solutions  can  be  adapted  to  any  type  of  generator,  predictor  and  do  not  rely  on  specific  assumptions  regarding  the  final  objective  function.  Finally,  we  introduce  a  Taboo  game  benchmark  for  large  language  models  to  evaluate  their  ability  to  express  words  under  constraints,  which  has  potential  applications  in  AI  safety,  training  and  content  moderation.
■590    ▼aSchool  code:  0028.
■650  4▼aIndustrial  engineering
■650  4▼aComputer  science
■653    ▼aLarge  language  models
■653    ▼aNewsvendor  problem
■653    ▼aContent  moderation
■690    ▼a0546
■690    ▼a0984
■690    ▼a0800
■71020▼aUniversity  of  California,  Berkeley▼bIndustrial  Engineering  &  Operations  Research.
■7730  ▼tDissertations  Abstracts  International▼g87-01B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17356943▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books