实体
Decision-Focused Learning
Decision-Focused Learning
PulseAugur coverage of Decision-Focused Learning — every cluster mentioning Decision-Focused Learning across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新的对抗性DFL方法改进了网络拦截博弈学习
研究人员开发了一种名为对抗性DFL（A-DFL）的新方法，以解决决策导向学习（DFL）应用于网络拦截博弈时出现的根本性故障。在这些博弈中，拦截者加强网络弧线，而规避者使用机器学习预测器寻找最短路径，这常常导致DFL的训练目标允许成本估计器在拦截下表现不佳。A-DFL用被拦截的场景替换名义训练样本来克服这个问题，恢复了DFL的优势，并实现了有效的端到端优化。
-
新的DFL方法提高了复杂问题的效率和可扩展性
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。
-
新方法将预测误差投影到切空间以实现面向决策的学习
研究人员开发了一种名为PEAR（Projected Error As Regret-gradient）的新方法，用于面向决策的学习。该技术通过将预测误差投影到活动约束的切空间上，简化了遗憾梯度的计算。与依赖求解器微分或使用代理损失的现有方法相比，PEAR提供了一种计算效率更高、更直接的替代方案。实验表明，即使约束发生变化，PEAR在优化基准和实际任务上也能获得卓越的决策质量。