缺货也能学库存！新算法仅凭删失数据实现近最优策略
Towards Optimal Inventory Control under Censored Demand: A Biased Sample-Average Approximation Approach
📖 AI 总结
该研究针对需求被删失（即缺货时仅能观测到需求超过库存水平）情形下的数据驱动多周期缺货库存控制问题，提出了一个统一的、基于模型的策略学习框架。其核心创新在于为基础库存策略构建了新的成本分解，并据此提出一种有偏样本平均近似（SAA）方法。作者引入新的覆盖条件，用以刻画删失观测在何种情况下足以支撑样本高效的策略学习。基于该条件，他们设计了两种有偏SAA算法：上偏算法在离线覆盖条件下达到近最优样本复杂度，下偏算法则主动生成所需覆盖并在在线场景中实现近最优遗憾。该工作更广泛的意义在于，为删失反馈下的悲观与乐观机制实现提供了一般性原则，具有独立的研究价值。
🔑 关键词速览
| 删失需求 (Censored Demand) | 指需求数据被截断，只能观测到需求是否超过库存水平，而无法获知超出部分的具体数值。 |
| 缺货库存控制 (Lost-Sales Inventory Control) | 一种库存管理模型，当需求超过库存时，超出部分的需求直接丢失，而不是延迟交货。 |
| 基本库存策略 (Base-Stock Policy) | 一种库存策略，设定一个目标库存水平，每期将库存补充到该水平（或尽可能接近）。 |
| 有偏样本平均近似 (Biased Sample-Average Approximation, SAA) | 一种通过引入偏差来修正样本平均近似的方法，用于处理删失数据下的策略学习。 |
| 遗憾 (Regret) | 在线学习中衡量策略性能的指标，表示与最优策略相比累积损失的差异。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅