应用于路径问题的学习成本的逆优化隐变量模型
机器学习
2025-09-22 v1
摘要
在未知成本函数的情况下学习带约束优化问题 (COP) 解的表示是一项挑战，因为诸如（变分）自编码器之类的模型在解码结构化输出时难以强制执行约束。我们提出了一种逆优化隐变量模型 (IO-LVM)，它从观测解中学习 COP 成本函数的隐空间，并通过在环路中嵌入求解器求解 COP 来重构可行输出。该方法利用 Fenchel-Young 损失的估计梯度，穿过不可微的确定性求解器来塑造隐空间。与通常恢复单一或特定上下文成本函数的标准逆优化或逆强化学习方法不同，IO-LVM 捕获了成本函数的分布，从而能够识别由训练过程中不可得的不同智能体或条件引起的多样化解行为。我们在船舶和出租车路径的真实世界数据集以及合成图中的路径上验证了该方法，展示了其重构路径与环路、预测其分布并产生可解释隐表示的能力。
引用
@article{arxiv.2509.15999,
title = {Inverse Optimization Latent Variable Models for Learning Costs Applied to Route Problems},
author = {Alan A. Lahoud and Erik Schaffernicht and Johannes A. Stork},
journal= {arXiv preprint arXiv:2509.15999},
year = {2025}
}
备注
Accepted at Neurips 2025