数据稀缺时的学习最短路径
机器学习
2026-01-08 v1
摘要
数字孪生体及其他模拟器正在越来越多地用于支持大规模网络中的路由决策。然而，模拟器输出常常表现出系统性偏差，而真实世界的测量数据成本高昂且稀缺。我们研究了一个在规划者仅能获得大量合成样本、有限真实观测以及捕捉跨链路行为相似性的边缘相似结构的随机最短路径问题。我们将模拟到现实的差异建模为随相似图而光滑变化的、边缘特定的未知偏差，并使用拉普拉斯正则最小二乘法进行估计。该方法即使在数据稀缺的情形下也能获得已校准的边缘成本估计。我们建立了有限样本误差界，将估计误差转化为路径级次优保证，并提出了可计算的、数据驱动的证书来验证候选路线的接近最优性。对于无初始真实数据的冷启动情形，我们发展了一个利用模拟器并自适应选择测量边缘以满足特定精度的偏差感知主动学习算法。在多个道路网络和交通图上的数值实验进一步证明了本方法的有效性。
引用
@article{arxiv.2601.03629,
title = {Learning Shortest Paths When Data is Scarce},
author = {Dmytro Matsypura and Yu Pan and Hanzhao Wang},
journal= {arXiv preprint arXiv:2601.03629},
year = {2026}
}