基于任务的随机优化端到端模型学习

NIPSMar, 2017

基于任务的随机优化端到端模型学习

Task-based End-to-end Model Learning in Stochastic Optimization

Priya L. Donti, Brandon Amos, J. Zico Kolter

TL;DR本文提出了一种端到端的方法来学习概率机器学习模型，以便在随机编程的上下文中直接捕获它们将要使用的最终基于任务的目标，我们在经典库存问题，实际电力调度任务和实际能源存储套利任务中验证了该方法的有效性。

Abstract

With the increasing popularity of machine learning techniques, it has become common to see prediction algorithms operating within some larger process. However, the criteria by which we train these algorithms often differ from the ultimate criteria on which we evaluate them. This paper

machine learning probabilistic models stochastic programming energy storage policy optimization

发现论文，激发创造

基于贝叶斯视角的随机优化端到端学习

为了在随机优化中实现端对端学习，我们发展了一种基于贝叶斯解释的算法，并提出了一种训练决策映射的全新算法，用于输出经验风险最小化和分布式鲁棒优化问题的解决方案。通过对合成售货员问题和基于真实数据的经济调度问题进行数值实验，阐明了替代培训方案之间的关键差异以及决策映射的神经网络架构对测试性能的影响。

Jun, 2023

E2E-AT: 一个统一的框架用于应对任务感知的端到端学习中的不确定性

将机器学习、约束优化、端到端学习、不确定性和对抗训练作为关键词，该论文提出了一种统一框架来解决不确定性模型，并通过端到端对抗训练进行了实践求解，最后通过实际的电力系统运行问题的评估，包括负荷预测和顺序调度任务。

Dec, 2023

端到端的约束优化学习：综述

本文从最近使用机器学习来解决约束优化问题的尝试入手，重点调查了将组合求解器和优化方法与机器学习架构集成的工作。这些方法有望开发新的混合机器学习和优化方法，以快速预测组合问题的近似解并启用结构逻辑推理。本文概述了这一新兴领域的最新进展。

Mar, 2021

不确定性下公平多目标优化的端到端学习

通过训练技术和应用设置，本文将 PtO 方法扩展到具有不可微分的有序加权平均目标的优化问题，展示了如何在不确定性下有效地将 OWA 函数优化与参数预测相结合，以实现公平和稳健的优化。

Feb, 2024

任务驱动的度量学习模型训练

通过在预测空间中学习度量，在不改变最优预测模型本身的情况下，改变模型的学习方式以强调对下游任务重要的信息，从而实现针对预测任务和下游任务的最佳结果。

Dec, 2023

不确定情况下决策上下文优化方法综述

本文介绍了结合预测算法和优化技术来解决不确定性决策问题的上下文优化领域。文中关注单一和两阶段随机规划问题，识别了三种从数据中学习策略的主要框架，并讨论了它们的优点和局限性。

Jun, 2023

从情节中学习随机可修复调度

一项研究探索基于决策焦点学习技术的线性目标中含有不确定参数值的优化问题，重点关注处理时间不确定的随机调度问题，并介绍了如何适应基于随机平滑的决策焦点学习技术。通过广泛实验评估发现，在情景式随机优化问题中，决策焦点学习技术在某些情况下优于现有技术。

Dec, 2023

移动边缘计算中基于学习的应用部署问题的解决方案

本研究利用机器学习模型对边缘服务器中的请求分配进行优化，提供一种更高效的方法来解决移动边缘计算中的高维问题和不确定性场景，结果显示机器学习模型相对传统方法具有显著的解决时间改进。

Mar, 2024

具有无限高斯过程混合的任务无关在线强化学习

该论文提出了一种基于在线模型的强化学习方法，用于解决未知任务边界的特定问题，在处理非静态任务分布变化方面表现优异。

Jun, 2020

通过二元分类提升二元优化：以作业车间调度为案例研究

通过使用逻辑回归模型和优化算法，研究了通过连续评估解决方案，学习用于预测优化问题最优解组件的可行性，并将其集成到 tabu 搜索算法中，提高了算法的性能。

Aug, 2018