E2E-AT：应对任务感知端到端学习中不确定性的统一框架
机器学习
2023-12-27 v2
摘要
成功的机器学习涉及包含数据、模型和下游应用的完整流程。约束优化（CO）和机器学习（ML）社区对结合预测和优化模型的关注度显著增加，而不是将它们分开处理。所谓的端到端（E2E）学习捕获了用于决策的基于任务的目标。尽管已经提出了大量 E2E 算法，但如何系统地处理此类模型中涉及的不确定性尚未得到充分研究。现有的大多数工作考虑了 ML 输入空间中的不确定性，并通过对抗训练提高鲁棒性。我们将这一思想扩展到 E2E 学习，并证明通过求解增广整数规划存在鲁棒性认证过程。此外，我们表明在训练期间忽视 CO 的不确定性会导致泛化误差的新诱因。为了包含所有这些组件，我们提出了一个统一框架，涵盖了 ML 模型输入特征空间和 CO 中出现的不确定性。该框架被描述为鲁棒优化问题，并通过端到端对抗训练（E2E-AT）进行实际求解。最后，通过一个包含负荷预测和序列调度任务的真实世界端到端电力系统运行问题，评估了 E2E-AT 的性能。
引用
@article{arxiv.2312.10587,
title = {E2E-AT: A Unified Framework for Tackling Uncertainty in Task-aware End-to-end Learning},
author = {Wangkun Xu and Jianhong Wang and Fei Teng},
journal= {arXiv preprint arXiv:2312.10587},
year = {2023}
}
备注
Accepted by AAAI-24