📊 statistics

In-Context Learning for Data-Driven Censored Inventory Control

Dit artikel stelt In-Context Generative Posterior Sampling (ICGPS) voor, een raamwerk dat gebruikmaakt van meta-getrainde generatieve modellen om orakelacties uit te voeren op geleerde latente vraagcompleties, waardoor sublineaire Bayesiaanse regret en robuustheid tegen prior-mismatch worden bereikt in datagedreven gecensureerde voorraadbeheerproblemen zoals de herhaalde krantenjongen.

Oorspronkelijke auteurs: Sohom Mukherjee, Anh-Duy Pham, Richard Pibernik, Yunbei Xu

Gepubliceerd 2026-05-15

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Sohom Mukherjee, Anh-Duy Pham, Richard Pibernik, Yunbei Xu

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een limonadekraam runt. Elke ochtend moet je beslissen hoeveel glazen limonade je maakt, voordat je weet hoeveel mensen er daadwerkelijk langskomen.

Als je er te weinig maakt, raak je je voorraad op (een "stockout"). Als je er te veel maakt, verspil je geld aan overgebleven limonade. Dit is het klassieke "Newsvendor-probleem".

Stel je nu een draai voor: Je kunt de ware vraag nooit zien.

Als je 10 glazen maakt en er verschijnen 15 mensen, verkoop je 10 en raak je op. Je weet dat de vraag ten minste 10 was, maar je weet niet of het 11, 20 of 100 was. De data is "gecensureerd" (afgesneden).
Als je 20 glazen maakt en er verschijnen slechts 5 mensen, zie je precies 5. De data is duidelijk.

De uitdaging is: hoe leer je het perfecte aantal limonade te maken, wanneer je waardevolste leermomenten (het opmaken van de voorraad) de waarheid voor je verbergen?

De oude manieren versus de nieuwe manier

Het artikel legt uit dat eerdere methoden probeerden dit op twee manieren op te lossen, beide met gebreken:

De "buikgevoel"-methode (Parametrische Thompson Sampling): Je raadt een specifieke vorm voor de vraagcurve in (bijvoorbeeld: "Het is altijd een klokkromme"). Als je gok verkeerd is, faalt je hele strategie.
De "opvul"-methode (Offline Imputatie): Je probeert de ontbrekende cijfers achteraf te raden met behulp van oude data. Maar dit faalt vaak wanneer je het in real-time, live situaties probeert toe te passen.

De auteurs stellen een nieuwe aanpak voor, genaamd In-Context Generative Posterior Sampling (ICGPS).

De creatieve analogie: De "dromende" chef

Beschouw de nieuwe methode als een chef die leert door te dromen.

In plaats van te proberen een wiskundige formule voor de vraag te raden, heeft de chef een krachtige Droomgenerator (een modern AI-model).

De trainingsfase (Offline): De chef kijkt naar duizenden video's van andere limonadekraampjes. Op sommige dagen raakten ze op; op andere dagen hadden ze restanten. De chef leert de gaten op te vullen. Als een video een kraam toont die 10 glazen verkoopt en dan opraakt, leert de Droomgenerator van de chef om plausibele scenario's te bedenken: "Misschien kwamen er 12 mensen? Misschien 15? Misschien 50?" Het leert de ontbrekende vraagcijfers in te vullen op een manier die logisch aansluit bij de geschiedenis.
De droomfase (Online): Elke ochtend, voordat de chef limonade maakt, raadt hij niet zomaar. Hij droomt een volledige dag.
- Hij kijkt naar zijn geschiedenis (wat er gisteren, eergisteren gebeurd is).
- Hij vraagt de Droomgenerator: "Gegeven wat er eerder gebeurd is, hoe had de volledige dag er kunnen uitzien?"
- De Generator creëert een volledige, nepdag waarbij de vraag volledig zichtbaar is (geen censuur). Het vult de ontbrekende cijfers in met plausibele gissingen.
De beslissing: De chef kijkt naar deze gedroomde volledige dag en vraagt zich af: "Als dit echt was, hoeveel limonade zou ik dan hebben gemaakt om perfect te zijn?" Hij neemt die actie.
De realiteitscheck: Hij maakt de limonade, verkoopt het en ziet het werkelijke resultaat (dat opnieuw gecensureerd kan zijn). Hij voegt deze nieuwe echte data toe aan zijn geschiedenis en herhaalt het proces.

De magie zit hem in het feit dat de chef de Droomgenerator niet elke dag opnieuw hoeft te trainen. Hij gebruikt gewoon de context van de geschiedenis van de huidige dag om de droom te sturen. Dit heet "In-Context Learning".

Het geheim: ChronosFlow

Om deze "Droomgenerator" snel en accuraat te maken, hebben de auteurs een specifieke architectuur gebouwd, genaamd ChronosFlow.

De ruggengraat (Chronos): Denk hierbij aan een super-slimme bibliothecaris die elk tijdsreeksboek dat ooit geschreven is, heeft gelezen. Het begrijpt patronen in tijd (zoals "limonadeverkoop gaat omhoog op warme dagen").
Het hoofd (Flow): Dit is het deel dat de ontbrekende cijfers daadwerkelijk invult. Het is ontworpen om de regels van het spel te respecteren. Als de geschiedenis zegt "We raakten op bij 10 glazen", dan wordt de Droomgenerator gedwongen een vraag hoger dan 10 te bedenken. Het kan geen vraag van 5 bedenken als we weten dat we op zijn.

Wat het artikel vond

De auteurs testten deze "Dromende Chef" tegen de oude methoden:

Het komt overeen met de experts: Wanneer de vraag een eenvoudig, voorspelbaar patroon volgt, presteert de Dromende Chef even goed als de beste theoretische experts (Thompson Sampling).
Het is robuust: Als de realiteit verandert (bijvoorbeeld, het vraagpatroon verschuift van een klokkromme naar iets vreemds), past de Dromende Chef zich snel aan. De oude "buikgevoel"-methodes crashten vaak omdat hun formules verkeerd waren.
Het gaat omgang met zware censuur: Wanneer de limonadekraam veel op raakt (en de ware vraag verbergt), schijnt de Dromende Chef. Het gebruikt zijn training om de ontbrekende cijfers beter te raden dan methoden die proberen te raden zonder een "droom"-generator.
Succes in de echte wereld: Ze testten dit op echte verkoopdata van een "SuperStore". Zelfs met rommelige, echte werelddata waar stockouts frequent voorkwamen, nam de Dromende Chef (specifiek de "Meta"-versie, die eerst van andere winkels leerde) betere beslissingen dan de concurrentie.

De kernboodschap

Het artikel beweert dat we door ontbrekende data te behandelen als een "droom" die gegenereerd kan worden door een AI, in plaats van een wiskundig probleem dat met een stijve formule moet worden opgelost, betere voorraadbeslissingen kunnen nemen. Het systeem leert van ervaringen uit het verleden, vult de gaten van het heden in en neemt een beslissing op basis van een "wat-als"-scenario dat de regels van het spel respecteert.

Belangrijkste les: Je hoeft de exacte toekomst niet te kennen om een goede beslissing te nemen; je moet alleen in staat zijn om een paar plausibele toekomstbeelden te bedenken die passen bij de aanwijzingen die je hebt, en doen alsof de beste ervan echt is.

Technische Samenvatting: In-Context Learning voor Data-gedreven Censuur-gecontroleerde Voorraadbeheer

Probleemstelling

Het artikel behandelt het Herhaalde Nieuwsvendel (R-NV) probleem, een canoniek scenario voor operationele besluitvorming dat wordt gekenmerkt door beslissingsafhankelijke onzekerheid en rechts-censuur. In deze setting kiest een besluitnemer elke periode een bestelhoeveelheid $X_t$ . De latente vraag $D_t$ wordt slechts gedeeltelijk waargenomen: als $D_t \le X_t$ , wordt de exacte vraag waargenomen; als $D_t > X_t$ (een voorraadtekort), worden alleen het verkoopcijfer $X_t$ en een indicator voor voorraadtekort waargenomen. Deze censuur creëert een fundamentele spanning tussen exploratie en exploitatie: conservatief bestellen minimaliseert directe voorraadkosten, maar verhoogt de censuur, waardoor het toekomstige leren over de vraagverdeling wordt gehinderd.

Bestaande aanpakken ondervinden aanzienlijke beperkingen:

Parametrische Thompson Sampling (TS): Hoewel theoretisch krachtig, vertrouwt TS op een correct gespecificeerde prior. In de praktijk kan een mismatch in de prior leiden tot ernstige prestatiedegradatie.
Offline Imputatie: Methoden die proberen censuur in de vraag te verwijderen (bijvoorbeeld via Kaplan-Meier-schattingen) zijn doorgaans beperkt tot offline settings en missen theoretische garanties voor online sequentiële besluitvorming.

De auteurs beogen deze kloof te overbruggen door een online leeralgoritme te ontwikkelen dat prestatiegaranties biedt in continue actieruimtes zonder een bekende parametrische prior te vereisen, terwijl het tegelijkertijd effectief omgaat met de door censuur veroorzaakte structuur van ontbrekende gegevens.

Methodologie: In-Context Generatieve Posterior Sampling (ICGPS)

De voorgestelde oplossing, In-Context Generatieve Posterior Sampling (ICGPS), herformuleert het leerprobleem vanuit een perspectief van "ontbrekende gegevens". In plaats van parameters te schatten, behandelt het algoritme niet-geobserveerde vraagcomponenten als ontbrekende uitkomsten die kunnen worden "aangevuld" in overeenstemming met het waargenomen feedbackmechanisme.

Kernkader

Offline Meta-training: Een conditioneel generatief model wordt getraind op historische gegevens (offline episodes) om een aanvullingskern te leren. Dit model leert om plausibele volledige vraagtrajecten $D_{1:T}$ $D_{1 : T}$ te genereren, geconditioneerd op de waargenomen geschiedenis $H_{t-1}$ $H_{t - 1}$ (die acties, verkopen en censuurindicatoren omvat).
- Verliesfunctie: Het model wordt getraind met een censuur-bewuste negatieve log-likelihood. Niet-gecensureerde waarnemingen dragen een dichtheidsterm bij, terwijl gecensureerde waarnemingen een overlevingsterm bijdragen (analoog aan overlevingsanalyse).
Online In-Context Adaptatie: Tijdens de inzet is het model bevroren. Op elk tijdstip $t$ $t$ doet het algoritme het volgende:
- Het steekt een volledig vraagtraject $\tilde{D}^{(t)}_{1:T}$ uit de geleerde conditionele verdeling $p_\theta(\cdot | H_{t-1})$ .
- Handhaving van Beperkingen: Cruciaal is dat het steekproefproces harde consistentiebeperkingen afdwingt. Als een vorige periode $s < t$ gecensureerd was (voorraadtekort), moet de gesteste vraag $\tilde{D}_s$ voldoen aan $\tilde{D}_s > X_s$ . Dit wordt bereikt via tail-conditioning (steekproeven uit de conditionele staart van de verdeling).
- Orakel-actie: Het algoritme berekent de "orakel"-actie voor het gesteste traject. Voor het R-NV-probleem is dit de empirische $\gamma$ -quantiel (waarbij $\gamma = b/(b+h)$ de kritieke fractiel is) van het aangevulde vraagsequence.
- De besluitnemer voert deze actie uit, observeert nieuwe gecensureerde feedback, en werkt de contextgeschiedenis bij zonder de modelparameters te updaten.

Architectuur: ChronosFlow

Om ICGPS praktisch te realiseren, stellen de auteurs ChronosFlow voor, een modulaire architectuur:

Ruggengraat: Een bevroren Chronos-2 tijdreeks-transformator (voorgetraind op enorme datasets) die in-context quantielkenmerken uit de geschiedenis extrahert.
Kop: Een lichtgewicht Conditionele Normaliserende Flow (CNF) die de contextvector afbeeldt op een conditionele verdeling over de vraag. De CNF maakt exacte inverse transformatie-steekproeven mogelijk, wat de afdwinging van censuurbeperkingen (tail-conditioning) tijdens online generatie faciliteert.

Theoretische Bijdragen

Het artikel biedt een rigoureuze Bayesiaanse regret-analyse die de prestaties van de ingezette ICGPS-beleid ontbindt in twee termen:

Ideale Referentie Regret (Term I): De regret van een ideaal Thompson Sampling-beleid dat de ware aanvullingskern gebruikt.
- De auteurs bewijzen dat voor het R-NV-probleem de structuur van gecensureerde feedback kan worden gereduceerd tot Bandit Convex Optimization (BCO) met scalaire acties.
- Door gebruik te maken van recente resultaten over TS voor BCO (Bakhtiari et al., 2025), stellen zij vast dat de ideale referentie een sublineaire Bayesiaanse regret van $\tilde{O}(\sqrt{T})$ bereikt. Dit wordt gepresenteerd als de eerste Bayesiaanse regret-analyse voor TS in de R-NV-setting met behulp van het informatie-ratio-kader.
Inzetstraf (Term II): De extra regret die wordt geleden door een geleerd aanvullingsmodel te gebruiken in plaats van de ware.
- De auteurs leiden een bovengrens af die aangeeft dat deze straf schaalt als $\sqrt{T} \times \sqrt{\Delta_{\text{comp}}}$ , waarbij $\Delta_{\text{comp}}$ de on-policy aanvullingsmismatch is (KL-divergentie tussen ware en geleerde trajectaanvullingen).
- Cruciaal tonen zij aan dat onder max-order coverage (het beleid bestelt af en toe de maximale capaciteit om staartvraag te onthullen) en zelf-contractie (fouten in autoregressieve generatie nemen in de loop van de tijd af), de aanvullingsmismatch wordt gecontroleerd door de observeerbare voorspellende mismatch (het offline trainingsverlies).
- Dit vestigt een theoretisch verband: een hoge kwaliteit van offline voorspellende fit vertaalt zich naar lage online regret.

Experimentele Resultaten

De auteurs evalueren ChronosFlow-ICGPS op synthetische en real-world datasets:

Sanity Check (Correcte Specificatie): In i.i.d. Weibull-vraagsettings komt ChronosFlow-ICGPS overeen met de prestaties van een correct gespecificeerde parametrische Thompson Sampling-baseline bij verschillende serviceniveaus ( $\gamma$ ), wat valideert dat de generatieve aanpak klassiek gedrag herstelt wanneer het model goed gespecificeerd is.
Offline-naar-Online Link: Experimenten tonen een monotoon verband tussen de offline censuur-bewuste validatieverlies en de online cumulatieve regret. Betere offline voorspellende kwaliteit leidt tot lagere online regret, wat de theoretische inzetstrafbeperking bevestigt.
Robuustheid tegen Mismatch:
- Verdelingsverschuiving: Wanneer getest op een Weibull-omgeving na voortraining op een mengsel van vier verschillende vraagfamilies, presteert ChronosFlow-ICGPS aanzienlijk beter dan een verkeerd gespecificeerde parametrische TS, wat robuustheid tegen familieverplaatsingen toont.
- Prior Mismatch: In scenario's waarbij de online testparameters buiten het offline trainingsregime liggen, blijft ChronosFlow-ICGPS stabiel, terwijl parametrische TS met een mismatchende prior hoge regret lijdt.
Real-world Benchmark (SuperStore Dataset): Met behulp van de SuperStore-verkoopdataset (Hssaine & Sinclair, 2024) wordt de methode geëvalueerd onder variërende graden van censuurernst ( $\lambda$ $λ$ ).
- Zware Censuur: De "Meta"-variant (voorgetraind op andere datasets) behaalt de grootste winsten in zwaar gecensureerde regimes (bijvoorbeeld $\lambda=1$ ), en presteert aanzienlijk beter dan baselines zoals Sample Average Approximation (SAA), Kaplan-Meier en RCN.
- Lichte Censuur: Naarmate de censuur afneemt, wordt het prestatieverschil kleiner, maar blijft de methode concurrerend.

Betekenis en Claims

Het artikel claimt een nieuw sjabloon te bieden voor het oplossen van sequentiële besluitproblemen met beslissingsafhankelijke onzekerheid en continue actieruimtes. De primaire betekenis ligt in:

Unificerend Kader: Het combineert succesvol de sterke punten van parametrische Bayesiaanse methoden (exploratie via posterior-steekproeven) en data-gedreven offline leren (robuustheid via meta-training) zonder online gradiëntupdates te vereisen.
Theoretische Nieuwheid: Het biedt de eerste sublineaire Bayesiaanse regret-beperking voor Thompson Sampling in het gecensureerde nieuwsvendelprobleem door dit te reduceren tot bandit convex optimalisatie.
Praktische Haalbaarheid: De ChronosFlow-architectuur toont aan dat moderne generatieve modellen (Transformers + Normaliserende Flows) kunnen worden aangepast om harde beperkingen (censuur) te respecteren en effectief in-context leren uit te voeren voor operationele problemen.
Offline-naar-Online Transfer: Het werk biedt theoretische voorwaarden waaronder offline voorspellende kwaliteit online besluitprestaties garandeert, waarmee een kritieke kloof in data-gedreven operationeel onderzoek wordt gedicht.

De auteurs positioneren dit werk als een stap richting "voorspelling-gerichte" besluitvorming, waarbij de focus verschuift van het schatten van parameters naar het genereren van consistente aanvullingen van latente trajecten om optimale acties te sturen.