决策聚焦学习：从学习排序的视角出发
机器学习
2022-06-20 v4 人工智能
摘要
近年来，决策聚焦学习框架（也称为预测并优化）受到越来越多的关注。在该设定下，机器学习模型的预测被用作离散组合优化问题目标函数中的估计成本系数以进行决策。决策聚焦学习提出通过直接优化优化求解器所做出决策的质量来训练 ML 模型（通常为神经网络模型）。基于近期一项工作提出的在解空间子集上的噪声对比估计损失，我们观察到决策聚焦学习更一般地可被视为一个学习排序问题，其目标是学习一个能正确对可行点进行排序的目标函数。这一观察独立于所使用的优化方法以及目标函数的形式。我们开发了点式、对式和列表式排序损失函数，这些函数在给定解的子集时可闭式求导。我们通过实验研究了我们的通用方法与现有决策聚焦学习方法相比的质量，取得了具有竞争力的结果。此外，控制解的子集可在对后悔值影响有限的情况下显著控制运行时间。
引用
@article{arxiv.2112.03609,
title = {Decision-Focused Learning: Through the Lens of Learning to Rank},
author = {Jayanta Mandi and Víctor Bucarey and Maxime Mulamba and Tias Guns},
journal= {arXiv preprint arXiv:2112.03609},
year = {2022}
}
备注
Accepted for presentation at ICML, 2022