⚡ electrical engineering

Optimal Hidden-Target Learning for Online Inventory Optimization on General Convex Sets

यह शोध पत्र सिद्ध करता है कि एक छिपे हुए लक्ष्य को बनाए रखना और उसे व्यवहार्य सेट (feasible set) पर प्रक्षेपित करना सामान्य उत्तल क्षमता सेट (convex capacity sets) पर ऑनलाइन इन्वेंटरी अनुकूलन के लिए एक इष्टतम सिद्धांत है, जो उच्च-आयामी अवस्था निर्भरता को एक आयामी कतार नियंत्रण (one-dimensional queue control) समस्या में कम करके बेहतर रिग्रेट बाउंड्स (regret bounds) और दृढ़ उत्तल (strongly convex) तथा गतिशील नुकसानों के लिए नए गारंटियाँ प्राप्त करता है।

मूल लेखक: Anthony Pineci, Yunzong Xu

प्रकाशित 2026-06-15

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Anthony Pineci, Yunzong Xu

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक व्यस्त गोदाम (warehouse) चला रहे हैं। हर दिन, आपको यह तय करना होता है कि अपने शेल्फ को भरा रखने के लिए प्रत्येक उत्पाद का कितना ऑर्डर देना है। लेकिन इसमें एक पेंच है: आप जो चाहें वह ऑर्डर नहीं कर सकते। आपके पास शेल्फ की एक सीमित जगह (एक "क्षमता बाधा" या capacity constraint) है, और आप जो आपके पास पहले से है उसे फेंक नहीं सकते। यदि आपने कल बहुत अधिक ऑर्डर कर दिया था, तो आज आप उसके साथ फंसे रह सकते हैं, भले ही आप कुछ अलग ऑर्डर करना चाहते हों।

यह ऑनलाइन इन्वेंटरी ऑप्टिमाइज़ेशन (Online Inventory Optimization) की समस्या है। यह एक खेल खेलने जैसा है जहाँ आपको एक चाल चलनी होती है, दुनिया प्रतिक्रिया देती है (ग्राहक चीजें खरीदते हैं), और फिर आपको इस आधार पर अपना अगला कदम उठाना होता है कि शेल्फ पर क्या बचा है।

पुराना तरीका: सही क्षण का इंतज़ार करना

पिछली विधियों ने इसे बहुत सावधानी बरतते हुए हल करने की कोशिश की। वे कहते थे, "मेरे पास आज ऑर्डर करने के लिए एक शानदार विचार है, लेकिन मैं अभी ऐसा नहीं कर सकता क्योंकि मेरे शेल्फ भरे हुए हैं। मैं बस तब तक इंतज़ार करूँगा जब तक कि कुछ ग्राहक पर्याप्त सामान न खरीद लें जिससे जगह खाली हो जाए, तब मैं अपनी चाल चलूँगा।"

यह एक ड्राइवर की तरह है जो लाल बत्ती पर इसलिए इंतज़ार कर रहा है कि वह ट्रैफ़िक में एक विशिष्ट, आदर्श गैप मिलने का इंतज़ार करे जो कभी हरा न हो। हालाँकि यह अंततः काम करता है, लेकिन इसमें बहुत समय लग सकता है, खासकर यदि ट्रैफ़िक भारी या अप्रत्याशित हो। यह पेपर इस विधि को "MaxCOSD" कहता है, और हालाँकि यह काम करता है, लेकिन यह धीमा और अक्षम है।

नया तरीका: "हिडन टारगेट" (Hidden Target) रणनीति

यह पेपर एक बहुत ही स्मार्ट, सरल रणनीति पेश करता है जिसे "हिडन-टारगेट लर्निंग" (Hidden-Target Learning) कहा जाता है।

कल्पना कीजिए कि आपकी एक सपनों की सूची (हिडन टारगेट) है कि आप वास्तव में अपने शेल्फ पर क्या रखना चाहते हैं। यह सूची आपकी आदर्श स्थिति है। हालाँकि, आप जानते हैं कि आप इसे हमेशा तुरंत हासिल नहीं कर सकते क्योंकि आपके पास वर्तमान स्टॉक और स्थान की सीमाएँ हैं।

इंतज़ार करने के बजाय कि शेल्फ खाली होने का इंतज़ार किया जाए, आप यह करते हैं:

अपनी सपनों की सूची को हर दिन अपडेट रखें (ठीक वैसे ही जैसे एक सामान्य लर्नर करता है)।
अपनी वर्तमान वास्तविकता को देखें (शेल्फ पर वास्तव में क्या है)।
अपने सपने को वास्तविकता पर प्रोजेक्ट करें। आप अपनी आदर्श सूची को उस सबसे करीबी संस्करण में "दबा" (squish) देते हैं जो आपके वर्तमान शेल्फ में फिट बैठता है। आप उस "दबे हुए" संस्करण का ऑर्डर देते हैं।

इसे एक बड़े, गोल बीच बॉल (आपका सपना) को एक छोटे, अजीब आकार के बॉक्स (आपकी वर्तमान वास्तविकता) में फिट करने की कोशिश करने जैसा समझें। आप बॉक्स के जादुई रूप से बड़ा होने का इंतज़ार नहीं करते। आप बस गेंद को अंदर उतना ही धकेलते हैं जितना वह बॉक्स को तोड़े बिना जा सके।

असली सफलता का राज: "क्यू" (Queue) का उदाहरण

इस पेपर की सबसे बड़ी सफलता यह साबित करना है कि यह सरल "दबाओ और ऑर्डर करो" (squish and order) विधि वास्तव में इसे करने का सबसे अच्छा तरीका है, यहाँ तक कि बहुत जटिल गोदाम आकारों के लिए भी।

उन्होंने एक छिपा हुआ पैटर्न खोजा, जिसे वे "क्यू" (Queue) कहते हैं।

आगमन (The Arrival): हर बार जब आपकी "सपनों की सूची" बदलती है (आप तय करते हैं कि आपको उत्पाद A की अधिक आवश्यकता है), तो यह एक डाकघर में नए पैकेज के आने जैसा है।
सेवा (The Service): हर बार जब ग्राहक चीजें खरीदते हैं (मांग), तो यह डाकघर द्वारा पैकेज डिलीवर करने और जगह खाली करने जैसा है।

पेपर यह सिद्ध करता है कि आपकी "सप mengembangkan की सूची" और जो आप वास्तव में ऑर्डर कर सकते हैं, उनके बीच का अंतर बिल्कुल एक पैकेज की एकल लाइन की तरह व्यवहार करता है जो डिलीवरी के लिए प्रतीक्षा कर रही है। जब तक ग्राहक चीजें खरीदते रहते हैं (थोड़ा सा भी), लाइन अंततः खाली हो जाती है।

यह बहुत बड़ी बात है क्योंकि पिछली विधियाँ प्रत्येक उत्पाद को व्यक्तिगत रूप से ट्रैक करने की कोशिश करती थीं (जैसे 1,000 अलग-अलग पैकेज लाइनों को प्रबंधित करना)। नया तरीका यह महसूस करता है कि आप पूरे गोदाम को एक ही सिंगल लाइन के रूप में मान सकते हैं। यह गणित को बहुत सरल बना देता है और सिस्टम को बहुत तेज़ और अधिक सटीक बनाता है।

यह क्यों महत्वपूर्ण है

लेखकों ने नकली डेटा और वॉलमार्ट के वास्तविक डेटा दोनों के साथ इसका परीक्षण किया। उन्होंने पाया कि:

यह तेज़ है: यह पुराने "जगह के लिए इंतज़ार करने वाले" तरीकों की तुलना में बहुत तेज़ी से सीखता है।
यह अधिक लचीला है: यह काम करता है भले ही आपके गोदाम के आकार अजीब या घुमावदार हों (केवल साधारण आयताकार बॉक्स नहीं)।
यह मजबूत (Robust) है: यह अप्रत्याशित ग्राहक व्यवहार को बेहतर ढंग से संभालता है।

संक्षेप में, पेपर कहता है: "कार्य करने के लिए सही क्षण का इंतज़ार करना बंद करें। एक स्वप्न लक्ष्य रखें, जो आपके पास अभी है उसके साथ सर्वोत्तम प्रयास करें, और भरोसा रखें कि सिस्टम स्वाभाविक रूप से खुद को साफ कर देगा।" यह सरल नियम टर्न आउट होता है कि अराजक दुनिया में इन्वेंटरी प्रबंधित करने का गणितीय रूप से पूर्ण तरीका है।

तकनीकी सारांश: सामान्य उत्तल समुच्चयों (General Convex Sets) पर ऑनलाइन इन्वेंटरी अनुकूलन के लिए इष्टतम हिडन-टारगेट लर्निंग

समस्या का निरूपण
यह शोध पत्र ऑनलाइन इन्वेंटरी ऑप्टिमाइज़ेशन (OIO) को संबोधित करता है, जो एक ऐसा परिवेश है जहाँ एक लर्नर भौतिक इन्वेंटरी बाधाओं के अधीन क्षमता सेट $Y \subseteq \mathbb{R}^n_+$ से ऑर्डर-अप-टू वेक्टर्स $y_t$ का चयन करता है। मानक ऑनलाइन कॉनवेक्स ऑप्टिमाइज़ेशन (OCO) के विपरीत, OIO में "भौतिक स्मृति" (physical memory) होती है: समय $t$ पर व्यवहार्य क्रिया सेट, जिसे $J_t = Y \cap \{y \mid y \succeq x_t\}$ द्वारा दर्शाया गया है, वर्तमान इन्वेंटरी स्थिति $x_t$ पर निर्भर करता है। इन्वेंटरी आगे बढ़ती रहती है, जिसका अर्थ है कि एक लर्नर केवल $Y$ पर ग्रेडिएंट स्टेप को प्रोजेक्ट नहीं कर सकता यदि परिणामी वेक्टर वर्तमान स्टॉक स्तर से कम है। वातावरण प्रतिकूल मांग $d_t$ और लॉस फंक्शन $\ell_t$ चुनता है, और लर्नर का लक्ष्य एक तुलना करने वाले अनुक्रम (comparator sequence) के विरुद्ध डायनेमिक या स्टैटिक रिग्रेट को कम करना होता है।

पूर्व कार्य, जैसे कि MaxCOSD (Hihat et al., 2023), ने एडेप्टिव साइकल का उपयोग करके सामान्य उत्तल क्षमता सेटों को संभाला था, जिससे UPPD (Uniformly Probably Positive Demand) स्थिति के तहत $\tilde{O}(\sqrt{T/\mu})$ का स्टैटिक रिग्रेट प्राप्त हुआ। हालाँकि, $1/\mu$ (जहाँ $\mu$ एक सामान्य डिमांड शॉक की संभावना है) पर यह निर्भरता उप-इष्टतम थी, और मौजूदा हिडन-टारगेट विधियाँ उत्पाद-वार "सेल-आउट" विश्लेषण पर निर्भरता के कारण रैखिक क्षमता बाधाओं तक ही सीमित थीं।

कार्यप्रणाली: नॉर्म-अलाइन्ड हिडन-टारगेट प्रोजेक्शन
लेखक प्रस्ताव करते हैं कि एक विशिष्ट ज्यामितीय ढांचे का उपयोग करने पर, एक हिडन टारगेट $z_t$ को बनाए रखने और उसे व्यवहार्य सेट $J_t$ पर प्रोजेक्ट करने का सरल सिद्धांत सामान्य उत्तल समुच्चयों के लिए भी पर्याप्त है।

एल्गोरिदम: लर्नर एक बेस ऑनलाइन लर्निंग एल्गोरिदम (जैसे, ऑनलाइन ग्रेडिएंट डिसेंट) द्वारा जनरेट किए गए हिडन टारगेट अनुक्रम $z_t \in Y$ को बनाए रखता है। कार्यान्वित क्रिया $y_t = \text{Proj}_{J_t}^{\|\cdot\|}(z_t)$ है, जो एक विशिष्ट नॉर्म $\|\cdot\|$ में $J_t$ पर $z_t$ का प्रोजेक्शन है।
नॉर्म अलाइनमेंट सिद्धांत: एक महत्वपूर्ण पद्धतिगत योगदान यह आवश्यकता है कि प्रोजेक्शन नॉर्म, क्यू स्टेट मेजरमेंट, और टारगेट मूवमेंट मेट्रिक सभी एक ही स्वीकार्य (admissible) नॉर्म $\|\cdot\|$ का उपयोग करें। एक स्वीकार्य नॉर्म $\ell_\infty$ नॉर्म पर हावी होता है (अर्थात, $\|x\|_\infty \le \|x\|$ )।
ज्यामितीय क्यू रिडक्शन: विश्लेषण का मुख्य भाग "टारगेट-इम्प्लीमेंटेशन गैप" को $q_t = \|z_t - y_t\|$ $q_{t} = ∥ z_{t} - y_{t} ∥$ के रूप में परिभाषित करता है। लेखक एक पाथवाइज ज्यामितीय पुनरावृत्ति (एक लिंडले क्यू) सिद्ध करते हैं:
$q_{t+1} \le [q_t + \|z_{t+1} - z_t\| - d^{\min}_t]_+$
जहाँ $d^{\min}_t = \min_i d_{t,i}$ $d_{t}^{m i n} = min_{i} d_{t, i}$ सामान्य मांग है।
- व्याख्या: गैप एक एक-आयामी क्यू की तरह विकसित होता है। हिडन टारगेट का हिलना ( $z_{t+1} - z_t$ ) "आगमन" (arrival) के रूप में कार्य करता है, जबकि सामान्य मांग ( $d^{\min}_t$ ) "सेवा" (service) के रूप में कार्य करती है।
- महत्व: यह रिडक्शन जटिल, स्थिति-निर्भर व्यवहार्यता समस्या को एक मानक OCO समस्या में बदल देता है जिसमें एक अतिरिक्त स्विचिंग कॉस्ट जुड़ी होती है। यह उत्पाद-वार लेखांकन या रैखिक बाधाओं की आवश्यकता को समाप्त करता है, जो पहले घुमावदार (curved) उत्तल सेटों तक सामान्यीकरण करने में बाधा डाल रहे थे।

मुख्य योगदान और परिणाम

उत्तल लॉस के लिए इष्टतम स्टैटिक रिग्रेट:
बेस लर्नर को ऑनलाइन ग्रेडिएंट डिसेंट (OGD) के साथ स्थापित करके, यह शोध पत्र $\tilde{O}(\sqrt{T/\mu})$ का स्टैटिक रिग्रेट प्राप्त करता है। यह सामान्य उत्तल सेटों के लिए सर्वोत्तम ज्ञात गारंटी को $O(1/\mu)$ से सुधारकर $O(1/\sqrt{\mu})$ करता है। लेखक एक मैचिंग लोअर बाउंड $\Omega(\sqrt{T/\mu})$ सिद्ध करते हैं, जो UPPD के तहत इस दर को मिनिमैक्स इष्टतम (minimax optimal) स्थापित करता है।
स्ट्रॉन्गली कॉनवेक्स लॉस के लिए पॉलीलॉगैरिद्मिक रिग्रेट:
$\alpha$ -स्ट्रॉन्गली कॉनवेक्स लॉस के लिए, समान ढांचा $\tilde{O}(\log(T/\mu))$ का रिग्रेट बाउंड प्रदान करता है। यह इस खुले प्रश्न को हल करता है कि क्या सामान्य क्षमता सेटों के साथ एडवर्सरियल OIO में पॉलीलॉगैरिद्मिक रिग्रेट प्राप्त किया जा सकता है।
सुधारित डायनेमिक रिग्रेट:
यह विधि डायनेमिक रिग्रेट गारंटी प्रदान करती है जो तुलना करने वाले के $\ell_1$ वेरिएशन $P_{T,1}$ के बजाय यूक्लिडियन पाथ वेरिएशन $P_{T,2}$ पर निर्भर करती है। यह एक स्पष्ट $n^{1/4}$ कारक को हटा देता है और घने (dense) तुलनात्मक आंदोलनों के लिए बाउंड को सटीक बनाता है। लेखक इन परिणामों को प्राप्त करने के लिए मानक OGD (ज्ञात वेरिएशन के लिए) और स्मूथड OGD (SOGD) (अज्ञात वेरिएशन के लिए) दोनों का उपयोग करते हैं।
मिरर डिसेंट के माध्यम से ज्यामिति-संवेदनशील परिशोधन:
इस ढांचे को स्ट्रॉन्गली कॉनवेक्स रेगुलराइज़र के साथ ऑनलाइन मिरर डिसेंट (OMD) तक विस्तारित किया गया है। यह क्षमता सेट $Y$ की विशिष्ट ज्यामिति और ग्रेडिएंट्स के ड्यूल नॉर्म के अनुकूल रिग्रेट बाउंड्स को सक्षम बनाता है। उदाहरण के लिए, लीनियर कंस्ट्रेंट्स पर एंट्रोपिक रेगुलराइजेशन का उपयोग करने से कोऑर्डिनेट-डेंस ग्रेडिएंट्स के मामले में यूक्लिडियन प्रोजेक्शन की तुलना में आयाम $n$ पर निर्भरता में सुधार होता है।
डायमेंशन-फ्री गारंटी:
परिणाम मानक OCO के अर्थ में डायमेंशन-फ्री हैं; आयाम $n$ केवल समस्या के मापदंडों (जैसे $Y$ का व्यास या ग्रेडिएंट बाउंड्स) के माध्यम से प्रवेश करता है, न कि एक स्पष्ट मल्टीप्लिकेटिव फैक्टर (जैसे $n^{1/4}$ ) के रूप में।

महत्व और दावे
यह शोध पत्र दावा करता है कि "हिडन-टारगेट प्रोजेक्शन" का सिद्धांत, जिसे अक्सर एक अनुभवजन्य ह्यूरिस्टिक या रैखिक बाधाओं तक सीमित माना जाता है, एक "नॉर्म-अलाइन्ड" ज्यामितीय विश्लेषण के साथ जुड़ने पर पूर्ण सामान्य-उत्तल OIO मॉडल के लिए सैद्धांतिक रूप से इष्टतम है।

सैद्धांतिक एकीकरण: यह कार्य इन्वेंटरी कंट्रोल को मानक OCO के साथ एकीकृत करता है, यह दिखाते हुए कि भौतिक व्यवहार्यता बाधा को बेस लर्नर से अलग किया जा सकता है। इन्वेंटरी लेयर एक क्यू क्लियरिंग तंत्र के रूप में कार्य करती है जो बेस लर्नर पर एक स्विचिंग कॉस्ट लागू करती है, बिना यह आवश्यक किए कि बेस लर्नर को इन्वेंटरी डायनेमिक्स को समझने की आवश्यकता हो।
बाधाओं का समाधान: यह प्रदर्शित करता है कि क्यूइंग विश्लेषण को सामान्य उत्तल सेटों तक विस्तारित करने में बाधा डालने वाली बाधाओं (विशेष रूप से उत्पाद-वार त्रुटियों के लिए कंजर्वेशन आइडेंटिटी की कमी) को एक एकल ज्यामितीय दूरी के रूप में स्थिति को मापने के माध्यम से बायपास किया जा सकता है।
अनुभवजन्य सत्यापन: सिंथेटिक डेटा और वास्तविक दुनिया के M5 फोरकास्टिंग प्रतियोगिता डेटा पर प्रयोग पुष्टि करते हैं कि प्रस्तावित HT-OGD एल्गोरिदम लीनियर और कर्व्ड कैपेसिटी सेटिंग्स दोनों में MaxCOSD और DDM (एक उत्पाद-वार विधि) से बेहतर प्रदर्शन करता है, जो उनके रिग्रेट बाउंड्स में सैद्धांतिक सुधारों को प्रमाणित करता है।

लेखक निष्कर्ष निकालते हैं कि यह मॉड्यूलर टेम्पलेट—हिडन टार्गेट्स के सीखने को अवस्था-निर्भर बाधाओं के माध्यम से भौतिक व्यवहार्यता को लागू करने से अलग करना—भविष्य की ऑनलाइन समस्याओं के लिए एक मजबूत ढांचा प्रदान करता है।

पुराना तरीका: सही क्षण का इंतज़ार करना

नया तरीका: "हिडन टारगेट" (Hidden Target) रणनीति

असली सफलता का राज: "क्यू" (Queue) का उदाहरण

यह क्यों महत्वपूर्ण है

इसी तरह के और पेपर