具有鲁棒约束的上下文随机线性优化的智能代理损失
机器学习
2025-05-30 v1 最优化与控制
机器学习
摘要
我们研究上下文随机线性优化（CSLO）的一种扩展，与现有大部分文献不同，该扩展涉及依赖于由机器学习模型预测的不确定参数的不等式约束。为处理约束不确定性，我们使用通过保形预测等方法构建的上下文不确定性集。给定一种上下文不确定性集方法，我们引入“带鲁棒约束的智能预测后优化”（SPO-RC）损失，它是 SPO 损失的一种对可行性敏感的适配，用于度量预测目标参数的决策误差。我们还引入一个凸代理 SPO-RC+，并证明其与 SPO-RC 的 Fisher 一致性。为提升性能，我们在真实约束参数位于不确定性集内的截断数据集上进行训练，并使用重要性重加权技术纠正由此引发的样本选择偏差。通过在分数背包与合金生产问题实例上的实验，我们证明 SPO-RC+ 能有效处理约束中的不确定性，且将截断与重要性重加权相结合可进一步提升性能。
引用
@article{arxiv.2505.22881,
title = {Smart Surrogate Losses for Contextual Stochastic Linear Optimization with Robust Constraints},
author = {Hyungki Im and Wyame Benslimane and Paul Grigas},
journal= {arXiv preprint arXiv:2505.22881},
year = {2025}
}