通过深度学习将机器学习模型与优化算法直接结合，实现决策为导向的学习，从而在解决组合优化问题时取得更好的性能和决策效果。
Sep, 2018
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
该研究通过采用分布预测和采用得分函数渐近梯度估计来计算预测模型的决策焦点更新，以拓宽决策焦点学习的适用性，从而有效地应对两阶段随机优化问题。
Jul, 2023
决策导向学习是机器学习中的新兴范式，通过训练模型来优化决策，在一个端到端的系统中集成预测和优化。本研究论文全面回顾了决策导向学习领域，深入分析了整合机器学习和优化模型的各种技术，引入了决策导向学习方法的分类体系，还对这些方法进行了广泛的实证评估，并提出了适用于决策导向学习的基准数据集和任务。最后，本研究提供了关于当前和潜在未来决策导向学习研究领域的有价值见解。
介绍了一种基于Reinforce的离散分布估计方法DBsurf，通过减少样本与实际分布之间的偏差来提高梯度估计的准确性，达到在不同数据集和采样设置下实现最佳结果的训练变分自动编码器（VAE）及构建具有最新性能的简单高效的神经架构搜索（NAS）算法。
Sep, 2023
Decision-Focused Learning（DFL）是一种新兴的学习范例，用于训练机器学习模型来预测不完整优化问题的缺失参数。DFL通过集成预测和优化任务，在端到端系统中训练机器学习模型，从而更好地匹配训练和测试目标。然而，我们对这些模型在对抗性攻击下的性能知之甚少。我们采用了十种独特的DFL方法，并在针对预测优化问题设定的两种明确攻击下进行性能基准测试。我们的研究提出了假设，即模型的鲁棒性与其能否找到导致最佳决策且不偏离基本真实标签的预测高度相关。此外，我们深入洞察了如何针对违反此条件的模型，并展示了这些模型如何根据训练周期结束时实现的最优性而有不同的响应。
Nov, 2023
在决策问题中，通过学习预测模型与优化相结合可以提供更好的决策，本文提出了一种全局代理损失函数ICLN，通过Input Convex Neural Networks学习任务损失，并在保持全局结构的同时适用于通用DFL框架。
Mar, 2024
决策聚焦学习关注解决不确定性下的决策问题，特别是多阶段优化与预测相结合的模型对未来决策具有重要影响，本研究提出了基于多层模型的决策聚焦预测方法，并在能量存储套利任务中验证了其优越性。
May, 2024
发展了可微分的分布鲁棒优化层，用于参数化二阶锥模糊集的混合整数分布鲁棒优化问题，并讨论其扩展到Wasserstein模糊集；通过处理决策的连续和离散部分，提出了新的双视图方法；以上下文分布鲁棒决策任务为应用，将可微分的分布鲁棒优化层应用于决策集中的学习，与预测集中方法进行了实验对比。
Jun, 2024
本文解决了自动化规划中行动成本难以指定的问题，提出了一种基于决策的学习方法以预测这些成本。研究首次探讨了将该方法应用于自动规划的挑战，并提出了新的梯度计算和缓存机制，从而显著提高了规划质量，并降低了计算要求。
Aug, 2024