从观测特征中通过预测模型直接学习最优解的方法被提出，该方法是泛化的，基于学习优化范式，能够提供高效、准确和灵活的解决方案给一系列具有挑战性的预测优化问题。

Nov, 2023

本文提出了一种新的元优化器，该优化器能够在基于点和基于种群的优化算法算法空间中进行学习，提高了预测的准确性和优化能力，并在非凸测试函数和蛋白质对接应用中的实验结果表明，该元优化器优于现有竞争对手。

Nov, 2019

本文提出了基于噪声对比法的伪损失函数方法和解决缓存方案的方法，以优化组合优化问题的预测和优化方法中的训练时间和准确性的平衡。实验证明，该方法在计算成本的一小部分之内即可与现有技术匹配。

Nov, 2020

本文发展了第一个能够在 “预测 - 优化” 框架中进行主动学习的方法，该方法在决策问题的优化模型参数对应的标注样本的无标注数据流中逐步决定是否请求特征样本的 “标签”，其中标签是指决策模型参数的参数。我们的主动学习方法是第一个受预测参数引起的决策误差直接影响的方法，也就是所谓的 SPO 损失。根据 SPO 丢失的结构，我们的算法采用基于间隔的标准，利用退化距离概念最小化从收集的数据得到的 SPO 代理，开发了一种既有硬性拒绝变种又有软性拒绝变种的高效主动学习算法，每种算法都具有理论上的超额风险（即泛化）保证。此外，我们推导了标注成本的界限，这是指为了实现所需的 SPO 风险水平而获得标签的样本数。在一些自然低噪声条件下，我们展示了这些边界可以比标签所有样本的朴素监督学习方法更好。此外，当使用 SPO + 损失函数时，这是 SPO 损失的一个专门的代理，我们在可分离条件下推导出了显着较小的标注复杂度。我们还介绍了数字证据，显示我们所提出的算法在个性化定价和最短路径问题的设置中具有实际价值。

May, 2023

提出了一种新的框架 —— Smart Predict, then Optimize (SPO)，该框架直接利用优化问题的结构，即目标和约束，来设计更好的预测模型。实验表明，使用 SPO 框架可以显著提高预测 - 优化范例下的性能。

Oct, 2017

该研究探讨了在 “先预测，再优化” 框架下使用决策树进行决策问题的决策，并提出了一种可观的方法称为 SPO Trees (SPOTs) 用于训练决策树，该方法具有较高的解释性。实验结果表明，SPOTs 可提供更高质量的决策，并显著降低了模型复杂性。

Feb, 2020

本文提出了一种用于任务和模型无关的损失函数学习的新型元学习框架，通过混合搜索方法，首先使用遗传编程找到一组符号损失函数，然后对学习到的损失函数进行参数化和优化，实验证明该框架具有多样性与性能，在各种任务和特定神经网络结构上提供了改进的收敛性、样本效率和推理性能。

Mar, 2024

提出了一种新的在线学习损失函数的方法，通过每次更新底层模型参数进行自适应更新，相比于交叉熵损失函数以及离线学习损失函数技术，在各种神经网络体系结构和数据集上稳定表现更好。

Jan, 2023

本文提出了一个基于决策的新颖学习方法，将常见图形优化问题的可微分代理作为学习系统中的一层进行集成，其主要思想是学习一个映射将原始优化问题映射到可以高效差分的简单代理问题。实验结果表明，我们的 ClusterNet 系统胜过纯粹的端到端方法（直接预测最优解）和完全分离学习和优化的标准方法。

May, 2019

本文介绍了一种全新的决策化学习方法，通过学习任务特定的损失函数代替了传统的基于代理的优化方法，与先前的工作相比，该方法不需要手工制定基于任务的代理，性能更好且更易用。

Mar, 2022