In-Context Learning for Data-Driven Censored Inventory Control
数据驱动审查库存控制中的上下文学习
🧭 库存控制 · 上下文生成式决策
Julius-Maximilians-Universität Würzburg · Zaragoza Logistics Center · National University of Singapore
提出上下文生成式后验采样，用离线元训练+在线自回归生成解决审查需求下的库存决策
📌 工作参考价值（4 点）
- 电商库存管理中常面临需求审查（缺货后未知真实需求），可借鉴ICGPS范式：离线用历史数据训练生成模型（如Time Series Transformer），在线进行上下文条件采样，实现稳健订货决策。
- ChronosFlow的架构设计值得关注：冻结预训练时序Transformer作为主干，仅训练轻量归一化流头，既保留预训练知识又实现快速审查一致性采样；类似思路可用于推荐系统中缺失反馈的生成（如未曝光样本的CTR补全）。
- 理论表明，只要覆盖性假设成立，离线预测质量能保证在线性能，为用离线数据训练生成模型并安全部署到在线决策提供了依据，可推广到其他受审查反馈影响的运营优化问题。
- 对于推荐场景中的决策依赖审查（如用户只看到且点击被推荐物品），可将未观测反馈视为审查问题，用上下文生成模型补全后做bandit优化，替代传统Thompson Sampling或UCB。