English(EN) Scalable Decision-Focused Learning through Cost-Sensitive Regression

新的DFL方法提高了复杂问题的效率和可扩展性

作者 PulseAugur 编辑部 · [2 个来源] · 2026-05-18 07:58

研究人员开发了一种新的面向决策的学习（DFL）方法，显著提高了效率和可扩展性。该方法将问题重新构建为成本敏感的多输出回归问题，并纳入特定的损失函数组件以更好地模拟下游任务成本。该技术在训练过程中需要更少的计算求解，使得DFL能够应用于比以往更大、更复杂的问题，同时保持可比的任务质量。 AI

影响引入了一种更高效、更具可扩展性的面向决策的学习方法，有可能将其应用于更广泛的现实世界优化问题。

排序理由该集群包含一篇详细介绍新研究方法的学术论文。

AI 生成摘要 · Google Gemini · 来自 2 个来源。我们如何撰写摘要 →

报道来源 [2]

arXiv stat.ML TIER_1 English(EN) · Noah Schutte, Senne Berden, Tias Guns, Krzysztof Postek, Neil Yorke-Smith · 2026-05-19 04:00

通过成本敏感回归实现可扩展的面向决策的学习

arXiv:2605.18005v1 Announce Type: cross Abstract: Many real-world combinatorial problems involve uncertain parameters, which can be predicted given contextual features and historical data. These `predict-then-optimize' or `contextual optimization' problems have gained significant…
arXiv stat.ML TIER_1 English(EN) · Neil Yorke-Smith · 2026-05-18 07:58

通过成本敏感回归实现可扩展的面向决策的学习

Many real-world combinatorial problems involve uncertain parameters, which can be predicted given contextual features and historical data. These `predict-then-optimize' or `contextual optimization' problems have gained significant attention: end-to-end training methods can now mi…