Predict-Then-Optimize
PulseAugur coverage of Predict-Then-Optimize — every cluster mentioning Predict-Then-Optimize across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新研究比较了情境化决策的预测式与生成式方法
研究人员探索了情境化决策的两种主要方法：先预测后优化（PtO）和先生成后优化（GtO）。PtO 侧重于学习条件期望目标，而 GtO 学习条件不确定性并使用生成的场景进行优化。该研究考察了这些方法的权衡，考虑了统计准确性、优化可处理性和数据可用性。研究结果表明，虽然 PtO 学习的目标范围较窄，但 GtO 的灵活性可能更具优势，尽管它需要学习更丰富的对象并生成场景。该研究为根据问题结构和数据选择合适的方法提供了实践指导。
-
深度学习与运筹学融合，赋能决策制定
一篇新的教程论文探讨了深度学习与运筹学（OR/MS）在不确定性下序贯决策领域的交叉点。论文认为，深度学习通过提供适应性和可扩展的近似能力，是对传统OR/MS方法的补充而非取代。论文围绕预测-优化（predict-then-optimize）、决策感知学习（decision-aware learning）和深度强化学习（deep reinforcement learning）等主题组织该领域，应用涵盖供应链、医疗保健和能源等领域。
-
新方法使用特征值分解来改进最短路径问题求解
研究人员提出了一种利用特征值分解来去噪成本观测值的新方法，用于解决最短路径问题，作为预测-优化方法的替代方案。当真实的成本生成过程是非线性的而预测器是线性的时，这种技术特别有效，而传统方法在这种情况下会退化。通过将同一成本过程的多个噪声实现视为信号并通过主成分分析进行去噪，该方法在求解之前将新的成本观测值投影到子空间上。在 5x5 网格最短路径基准测试上的实验表明，保留前两个特征向量的表现不如基线，而使用五个特征向量则匹配了真实的潜在…
-
新方法模拟预测误差以优化决策
一篇新的研究论文介绍了一种通用的评估预测-优化（PTO）方法的方法，该方法超越了二元分类，扩展到具有类别不确定参数的问题。所提出的方法构建了预测误差与决策遗憾之间的映射，从而可以在完全开发之前对预测模型对决策制定的影响进行事前评估。此外，还提出了一种一阶近似方法以减少计算量，该方法在某些问题上与基于模拟的映射非常匹配，但在误分类之间发生复杂交互时可能不太准确。