该研究介绍了一种新的决策集中学习方法，可以优化预测模型，支持将问题编码为混合整数线性规划，并使用割平面算法求解。实验结果表明，该方法在多个实际领域中的性能优于现有方法。

Jul, 2019

本文提出了一种利用逻辑规则来约束神经模型，从而调整其预测不一致性，增强其预测准确性和一致性的学习框架，并在自然语言推理任务上进行了实验验证。

Aug, 2019

探讨了历史专家决策在机器学习中的应用，结合基于影响函数的方法，提出了训练时标签合并的方法，以及通过混合和推迟模型来利用推断的一致性，并以儿童虐待热线筛选为背景，证明所提出的方法可以显著提高高风险案件的预测准确率。

Jan, 2021

使用混合整数线性规划技术，我们提出了一种可解释的，具有稀疏性和公平性约束的多类别分类评分系统，扩展了 Rudin 和 Ustun 提出的适用于二元分类的 SLIM 框架。

Apr, 2023

提出了一种基于整数规划的框架，用于构建准确且可解释的离散线性分类模型，该框架具有控制和灵活性，可为特定领域的实践者量身定制准确且可解释的模型。通过数值实验和睡眠呼吸暂停诊断工具的案例研究，展示了该框架的性能和灵活性。

May, 2014

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

通过使用对数障碍项而不是二次惩罚项和神经网络的优化问题解决方案，实现了优化问题的解决方案，结果表明其效果与基于二次规划任务损失的公式以及 SPO 方法一样好，甚至更好。

Oct, 2020

本文提出了一种用于从数据中挖掘约束条件的一般框架，该框架以整数线性规划问题的形式考虑结构化输出预测中的推断，然后通过估计可行集的外部和内部多面体来挖掘底层约束条件，并在各种合成和现实应用中验证了所提出的约束挖掘算法。

Jun, 2020

Diff-Comb Explainer 揭示了现有的不可区分的解算器、转换器和现有的不可区分的约束多跳推理框架中的精度和可解释性改进，是一种基于 Differentiable BlackBox Combinatorial solvers (DBCS) 的神经符号结构。

Aug, 2022

我们提出了一个集成的预测 - 优化（PredOpt）框架，通过预测二进制决策变量在最优解中的值，高效地解决顺序决策问题。我们通过循环神经网络和滑动注意机制捕捉组合优化问题的顺序特性，并将基于注意力的编码器 - 解码器神经网络架构与消除不可行性和泛化框架相结合，以学习高质量的适用于时间相关优化问题的可行解。我们的结果表明，可以成功地使用在较短和较小维度实例上训练的模型来预测更长更大维度的问题。优化解决时间可缩短三个数量级，平均最优性差距小于 0.1%。我们将 PredOpt 与各种专门设计的启发式方法进行比较，并证明我们的框架表现优于它们。PredOpt 对于需要立即且重复求解的动态 MIP 问题具有优势。

Nov, 2023