论机器学习与决策制定的结合
最优化与控制
2014-03-14 v2 机器学习
机器学习
摘要
我们为“带操作成本的机器学习（MLOC）”框架提出了一种新的应用和覆盖数界，该框架是决策理论的一种探索性形式。MLOC框架融合了关于预测模型将如何用于后续任务的知识，从而将机器学习与之后做出的决策结合起来。在这项工作中，我们使用MLOC框架研究了一个对电网可靠性和维护有影响的问题，称为机器学习与旅行修理工问题（ML&TRP）。ML&TRP的目标是为一个“修理团队”确定一条路线，该团队负责修复图上的节点。修理团队旨在最小化节点故障的成本，但如同许多实际情况一样，故障概率是未知的，必须进行估计。MLOC框架使我们能够理解这种不确定性如何影响修理路线。我们还为MLOC框架提出了新的覆盖数泛化界。
引用
@article{arxiv.1104.5061,
title = {On Combining Machine Learning with Decision Making},
author = {Theja Tulabandhula and Cynthia Rudin},
journal= {arXiv preprint arXiv:1104.5061},
year = {2014}
}
备注
35 pages, 16 figures, longer version of a paper appearing in Algorithmic Decision Theory 2011