MARC

 008260126s2025        us                              c    eng  d
■001000017357961
■00520260202103623
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798283455198
■035    ▼a(MiAaPQ)AAI32046009
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a621.3
■1001  ▼aEpstein,  Boris.
■24510▼aOnline  Decision-Making:  Applications  in  Hiring,  Inventory  Placement,  and  Matching
■260    ▼a[Sl]▼bColumbia  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a169  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-12,  Section:  A.
■500    ▼aAdvisor:  Ma,  Will.
■5021  ▼aThesis  (Ph.D.)--Columbia  University,  2025.
■520    ▼aThis  dissertation  studies  three  online  decision-making  problems  motivated  by  practical  applications  in  hiring  pipelines,  inventory  placement,  and  online  matching.  In  all  cases,  a  decision-maker  must  take  actions  sequentially,  often  under  time  or  resource  constraints,  and  with  partial  or  stochastic  information  about  the  future.  A  unifying  objective  is  to  develop  computationally  tractable  policies  that  perform  near-optimally  relative  to  natural  benchmarks,  such  as  hindsight-optimal  solutions  or  adaptive  policies  with  full  information.  To  this  end,  we  design  and  analyze  approximation  algorithms  with  provable  guarantees,  drawing  on  linear  programming  relaxations,  surrogate  optimization,  and  randomized  rounding.The  first  chapter  considers  three  hiring  problems  that  differ  in  how  offers  are  made  to  candidates:  sequentially,  in  parallel,  or  all  at  once.  We  introduce  a  linear  programming  framework  that  captures  each  of  these  settings  and  develop  simple,  non-adaptive  policies  that  attain  approximation  factors  of  at  least  (  1  -  1/e),  improving  upon  prior  guarantees.  Our  results  unify  and  extend  existing  prophet  inequality  models,  and  provide  theoretical  and  numerical  insights  into  how  firms  should  sequence  offers  based  on  operational  constraints.In  the  second  chapter,  we  address  the  inventory  placement  problem  in  e-commerce,  where  inventory  must  be  allocated  to  warehouses  before  facing  stochastic  demand.  We  formulate  this  as  a  two-stage  optimization  problem  and  show  that  optimizing  a  surrogate  ``offline''  objective  yields  good  performance  in  the  downstream  online  matching  phase.  A  key  technical  contribution  is  the  development  of  tight  approximation  guarantees  via  randomized  rounding  of  LP  relaxations,  even  in  the  multi-product  setting.  We  complement  our  theoretical  findings  with  extensive  simulations,  highlighting  when  optimistic  or  pessimistic  placement  heuristics  are  preferable  in  practice.The  third  chapter  focuses  on  online  bipartite  matching  under  limited  historical  data.  We  compare  a  range  of  algorithmic  approaches---model-based,  data-agnostic,  and  simulation-trained  neural  policies---through  the  lens  of  sample  efficiency  and  robustness.  Our  results  show  that  when  data  is  scarce,  structured  model-based  policies  generalize  better  and  offer  competitive  performance.  In  contrast,  parameterized  neural  policies  perform  best  in  data-rich  regimes,  but  at  the  cost  of  longer  training  and  testing  times.Across  all  three  chapters,  we  emphasize  algorithmic  strategies  that  scale  efficiently  and  adapt  to  real-world  constraints.  Thematic  connections---particularly  the  use  of  LP  relaxations,  surrogate  models,  and  randomized  rounding---help  bridge  seemingly  distinct  applications,  and  suggest  a  broader  framework  for  designing  principled,  data-aware  online  decision  policies.
■590    ▼aSchool  code:  0054.
■650  4▼aComputer  engineering
■650  4▼aWeb  studies
■653    ▼aOnline  decision-making
■653    ▼aHiring
■653    ▼aInventory  placement
■653    ▼aMatching
■690    ▼a0796
■690    ▼a0310
■690    ▼a0464
■690    ▼a0646
■690    ▼a0800
■71020▼aColumbia  University▼bBusiness.
■7730  ▼tDissertations  Abstracts  International▼g86-12A.
■790    ▼a0054
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aSpanish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17357961▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books