本文从学习的角度考虑了揭示偏好问题。对于具有线性评估函数以及具有线性可分、具有有界二阶导数的评估函数的代理，我们提供了具有多项式样本复杂度的有效算法。

Nov, 2012

本文探讨了如何从单调偏好数据中学习效用函数，提供了用于多种重要类别的样本复杂度保证和有效算法，并使用最近多类学习的进展和有关线性价格模型的紧密联系，提出了一种解决线性效用函数学习问题的高效算法。(Sample complexity guarantees and efficient algorithms are provided for learning utility function from revealed preference data, and a computationally efficient algorithm with tight sample complexity guarantees is proposed for learning linear utility functions under a linear price model).

Jul, 2014

本文提出了一个新的 Predict+Optimize 框架，可以处理既有在优化目标又有在约束条件中的未知参数，引入了校正函数和惩罚项来解决相关问题，同时提出了一种可处理所有 packing 和 covering 线性方程的算法，实验证明该方法比传统方法表现优秀。

Sep, 2022

目标识别是观察者根据感知到的主体代理行为的一系列观察结果来识别与计划相对应的目标的任务。本文设计了一种依赖于操作计数框架的新型识别方法，并提出了新的约束条件，从理论和实证上分析了它们的特性。在理论方面，我们证明了新的约束条件能够提供符合观察结果的计划成本的下界。我们还进行了广泛的实证评估，评估了新约束条件如何改善解决方案的质量，并发现它们在决定哪些目标不太可能是解决方案的一部分方面特别有用。我们的新型识别方法具有两个关键优势：第一，它们利用了新的整数 / 线性规划约束来高效识别目标；第二，我们展示了新的整数 / 线性规划约束如何在部分可观测性和噪声可观测性下提高对目标的识别能力。

Apr, 2024

本文提出了一种基于学习的在线线性规划算法，可应用于许多在线资源分配和收入管理问题，具有良好的竞争优势。

Nov, 2009

该研究使用深度强化学习方法提出了一个新的线性规划模型，该模型能够有效地减少求解时间和迭代次数，优化了现有的线性规划求解器的性能。

Jan, 2022

本文研究在在线学习中从揭示的偏好中学习的问题，提出了有效的算法用于商家的价格优化，通过强假设商品收益函数的形式，实现了揭示偏好问题的高效算法，并实现了学习和盈利最大化。

Jul, 2014

介绍了一种算法设计范例 —— 基于学习预测器的算法，将在线学习技术应用于预测器学习、调整鲁棒性 - 一致性折中并绑定样本复杂度，在构建优美的预测器的同时，在二分图匹配、滑雪租赁、页面迁移和作业调度等多场景中优化了多个现有结果，且提供了第一批基于学习理论的担保。

Feb, 2022

本研究着重于解决不完美信息下的数据驱动逆向优化问题，将其形式化为分布鲁棒规划，最小化预测决策与真实响应之间的最坏情况风险，并证明了该方法比现有方法更为有效。

Dec, 2015

本文介绍了结构预测在计算机视觉和自然语言处理等领域中的应用，主要是通过最大后验推断或整数线性规划来进行预测，但由于需要复杂的打分函数来获得准确的预测结果，因此学习和推断通常需要使用近似求解器。我们提出了一个理论解释，解释了基于线性规划松弛的近似算法在真实场景中的紧密性，并表明使用 LP 松弛推断进行学习有助于保证训练示例的整整性。

Nov, 2015