稳健的数据驱动处方优化
该论文结合了机器学习和运筹学的想法,提出了一种基于数据的最优决策框架和方法,应用于条件随机优化问题中,证明了该方法的实用性和广泛适用性,并通过一个库存管理问题的实际案例展示了该方法的优越性。
Feb, 2014
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
本文研究随机程序的优化问题,其中决策者不能观察到外生不确定性的分布,但可以访问此分布的有限样本。作者提出了一种元优化问题来找到最不保守的预测器和处方器,以及遵守它们的样本外失望约束。利用大偏差理论的工具,作者证明了该元优化问题有唯一解。最佳预测器 - 处方器对可以通过在距离数据的经验分布一定的相对熵距离内的所有分布上求解一个分布的鲁棒优化问题来获得。
Apr, 2017
基于数据驱动的方法预测后优化决策问题,使用非凸生成模型的情景预测区域构建了 Conformal-Predict-Then-Optimize(CPO)框架,保证了鲁棒性,并通过提供可视化的不确定性区域的语义化摘要,为最优决策提供了定性的直觉。
Oct, 2023
本文介绍了一种基于历史销售数据和机器学习算法,利用二次规划问题以及半定规划松弛的快速近似算法来解决价格优化问题,使得实际销售商品的利润最大化,实验结果表明该优化算法可以同时得出数百个商品的最优价格,并且将销售商品的总毛利润提高了 8.2% 左右。
May, 2016
本文研究在观测数据驱动下的最优化问题,探讨了预测方法在定价等领域的限制,提出了一种新的因果效应目标优化的假设检验方法,并在利率设定数据中进行了实证研究。
May, 2016
提出基于贝叶斯优化的因式化上下文策略搜索方法来提高机器人学习数据效率,通过将通常考虑的文本刻画为目标类型上下文和环境类型上下文两个部分,从而实现经验在目标类型上下文中直接泛化。初步结果表明,该方法在模拟玩具问题上可以更快地泛化策略。
Dec, 2016
提出了一种新的统计假设检验方法来利用数据设计鲁棒优化的不确定集合,该方法灵活适用于各种领域,并且计算复杂度可行,理论和实践上都具有可靠性。操作研究领域的计算实验证明,当数据可用时,与传统的鲁棒优化技术相比,我们的数据驱动集合显著优于传统技术。
Dec, 2013
本文提出了一种用于评估和改进因果机器学习模型下上下文治疗分配决策的数据采集框架,采用贝叶斯实验设计用于数据高效率评估和改进过去治疗分配的遗憾。与 A / B 测试等方法相比,我们的方法通过引入基于信息的设计目标来避免分配已知高度次优的治疗方法,同时进行探索以收集相关信息。我们的方法适用于离散和连续治疗,与其他基线相比,模拟研究表明了我们提出的信息理论方法具有更好的性能。
Jul, 2022
通过将贝叶斯非参数理论和最近一些决策理论模型的平滑模糊厌恶偏好相结合,我们提出了一种新颖的鲁棒准则,并与标准的正则化经验风险最小化技术之间建立了新颖的联系,从而为优化过程提供了有利的有限样本和渐进统计保证。
Jan, 2024