通过学习可行区域进行逆优化
计算与语言
2025-05-26 v2
摘要
我们研究逆优化(IO)，即使用参数化优化程序作为假设类来推断输入决策对之间的关系。文献大多数关注仅学习目标函数，因为学习约束函数(即可行区域)导致非凸训练程序。为此，我们聚焦于已知线性目标的可行区域学习，引入两种训练损失和一种假设类来参数化约束函数。我们的假设类超越了仅学习目标的方法，能够自然捕捉输入决策对中不连续的行为。我们引入一种带平滑技术的自定义块坐标下降算法来解决训练问题；而对于进一步受限的假设类，我们将训练优化重新表述为可求解的凸规划或混合整数线性规划。合成实验和两个电力系统应用，包括与最新方法的比较，展示并验证了所提出的方法。
引用
@article{arxiv.2505.15024,
title = {Diagnosing our datasets: How does my language model learn clinical information?},
author = {Furong Jia and David Sontag and Monica Agrawal},
journal= {arXiv preprint arXiv:2505.15024},
year = {2025}
}