鲁棒数据驱动处方性优化
最优化与控制
2024-06-05 v2 机器学习
统计方法学
摘要
数据的丰富催生了多种试图利用可用侧信息以提供更具预见性决策的优化技术。方法与应用场景的广泛性促使人们设计了一种称为处方性系数的通用无量纲性能度量。该系数旨在量化情境决策相对于参考决策的质量以及侧信息的处方能力。为在数据驱动背景下识别最大化前者的策略，本文引入了一种分布鲁棒情境优化模型，其中处方性系数替代了经典的经验风险最小化目标。我们提出了一种二分算法来求解该模型，当分布模糊集具有适当的嵌套形式和多面体结构时，该算法依赖于求解一系列线性规划。通过研究一个情境最短路径问题，我们评估了所得策略在样本外数据集遭受不同程度分布偏移时相对于替代方法的鲁棒性。
引用
@article{arxiv.2306.05937,
title = {Robust Data-driven Prescriptiveness Optimization},
author = {Mehran Poursoltani and Erick Delage and Angelos Georghiou},
journal= {arXiv preprint arXiv:2306.05937},
year = {2024}
}