May, 2023

逆优化中的学习：内心成本、扩展次优性损失和算法

PDF
TL;DR本文提出了一种名为 “Incenter” 的概念，基于 “Inverse Optimization”（IO）问题的一些几何特点，并开发了相应的凸形式，提出了名为 Augmented Suboptimality Loss (ASL) 的新的损失函数以及名为 Stochastic Approximate Mirror Descent 的新的一阶算法，对高基数离散可行集的 IO 问题具有证明有效的保证，并将这些方法实现为 Python 软件包 InvOpt。
inverse optimizationincenteraugmented suboptimality lossstochastic approximate mirror descentpython package
发现论文，激发创造
  • 路由问题的逆优化

    通过逆向优化方法，我们提出一种学习决策者在路径规划问题中行为的方法，并在亚马逊最终里程路线研究挑战中测试了我们的方法。我们的结果展示了提出的逆向优化方法通过学习决策者在路径规划问题中的决策具有灵活性和实际潜力。

    Jul, 2023

  • 指导成本学习：基于策略优化的深层逆最优控制

    本文旨在探讨如何使用逆优化控制（IOC）从演示学习行为，具体应用于对高维机器人系统的扭矩控制。作者提出了一种算法，能够学习任意的非线性成本函数 (如神经网络)；同时提出了一种针对 MaxEnt IOC 的高效的基于采样的近似方法。通过一系列模拟任务和真实的机器人操作问题的评估，该方法能够实现显著的任务复杂度和样本效率的提升。

    Mar, 2016

  • 基于数据驱动的带不完美信息的反优化

    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

  • 通过在线学习实现广义逆优化

    该论文提出了一种面向在线学习的反向优化算法框架，设计了一种隐式更新算法用于处理噪声数据，并证明其具有统计一致性。实验表明，该算法具有很高的精度和鲁棒性，并且在计算效率上比批量学习更具优势。

    Oct, 2018

  • BO4IO：一种带有不确定性量化的逆优化的贝叶斯优化方法

    该论文提出了一种基于贝叶斯优化的数据驱动逆优化方法，称为 BO4IO，用于解决参数估计和不确定性量化等问题，通过将逆优化损失函数视为黑盒，并使用高斯过程模型进行近似，使用 BO4IO 可以准确估计未知的模型参数并提供置信区间估计。

    May, 2024

  • 反向优化：闭式解、几何和拟合程度

    本文提出了一种逆优化模型，估计了线性优化的代价函数以及相应的拟合度度量，该度量具有类似于回归中 $R^2$ 的性质，并且在多项式时间内可计算；同时，该模型还可用于生产计划和癌症治疗中的模型估计和评估。

    Nov, 2015

  • 带噪声数据的反向优化

    该研究探讨了有噪声的凸优化问题的逆优化，提出了一种新的基于对偶的重构方法和正则化方案，证明了参数估计的统计一致性结果。同时，提出了两种基于该方法的解算法，并在合成和真实数据上进行了竞争性表现。

    Jul, 2015

  • 学习用于最优输运的代价函数

    本文提出了一种无约束凸优化形式的逆向最优输运问题，其中包括了两种数字算法，并使用深度神经网络参数化成本函数，以此解决了现有逆向最优输运方法中前向计算瓶颈的问题，并展示了这种方法的高效性和准确性。

    Feb, 2020

  • 分布式镜面下降算法用于在线复合优化

    本文提出了基于近似镜像下降的一类在线分布式优化算法，以 Bregman 距离为测量函数，包括欧几里得距离作为特例，考虑两种标准信息反馈模型，并通过在线分布式正则化线性回归问题的仿真结果验证了算法的性能。

    Apr, 2020

  • 在线多智能体优化的不需要共识的临近性

    本文提出一种基于随机鞍点算法的分布式算法，以解决多智能体环境下的随机优化问题，该算法包括在线共识优化作为特例，并应用于传感器网络中的相关随机场顺序估计问题和在线源定位问题。

    Jun, 2016