- 可微分分布鲁棒优化层
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 - 面向决策的图神经网络在组合优化中的应用
我们的研究工作的重点是通过决策导向的图学习，在组合优化问题中采用神经网络框架，提出了一个更高效和精确的框架。此外，我们引入了一个决策导向的框架，利用图神经网络解决具有辅助支持的组合优化问题。实验结果表明，我们的方法在经典组合优化问题上优于独 - 决策导向的预测：多阶段优化的决策损失
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。
- 高效的公共卫生干预规划基于分解式决策导向学习
优化受益人干预计划以提高干预效果的研究中，本文通过对残存的历史数据进行感知模型参数估计，提出了一种基于 Restless Multi-Armed Bandits 和 Decision-Focused Learning 的快速干预规划方法，实 - 学习确定性代理关系以实现鲁棒的凸优化问题
决策导向学习是上下文优化的一种有前景的发展，而我们提出了一个双重隐式层模型，用于训练预测模型以实现对不确定凸二次约束二次规划问题中健壮决策损失的训练。该模型是决策导向学习不确定凸 QCQPs 的有效正则化工具。
- CaVE：一种用于二值线性规划快速预测优化的圆锥对齐方法
用于预测 - 优化框架的锥对齐向量估计（CaVE）方法在解决二进制线性规划问题上展现出对训练时间和解决方案质量之间有利的折衷，特别适用于大规模优化问题。
- 从情节中学习随机可修复调度
一项研究探索基于决策焦点学习技术的线性目标中含有不确定参数值的优化问题，重点关注处理时间不确定的随机调度问题，并介绍了如何适应基于随机平滑的决策焦点学习技术。通过广泛实验评估发现，在情景式随机优化问题中，决策焦点学习技术在某些情况下优于现有 - AAAI关于决策聚焦学习的鲁棒性研究
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 - 决策焦点学习的强化损失函数
优化模型中的不确定参数通过预测估计，为了评估基于预测的决策质量，决策焦点学习旨在通过训练预测模型来最小化后悔，提出了三种更接近预期后悔的鲁棒损失函数，实验证明使用鲁棒后悔损失训练决策焦点学习方法能够改善测试样本的经验后悔并保持计算时间等效。
- DF2: 分布无偏的决策导向学习
DF2 是第一个专门设计用于解决模型失配误差、样本平均近似误差和梯度近似误差的分布无关的决策导向学习方法。通过在训练过程中直接学习预期的优化函数，我们采用基于注意力机制的模型架构来高效地进行数据驱动型学习。我们在合成问题、风力发电竞标问题和 - 决策导向学习：基础、现状、基准和未来机遇
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 - 评分函数梯度估计以扩大决策导向学习的适用性
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。
- 无需可微分优化的决策导向学习：学习局部优化的决策损失
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。
- 多臂赌博机中的可扩展决策焦点学习及其在母婴健康中的应用
本文提出了一种新颖的用于决策焦点学习的方法，该方法直接训练预测模型以最大化 Whittle 指数解的质量，应用于不确定武装转移动态但已知相关武装特征的不安静多臂老虎机（RMAB）问题，并提高了在 RMAB 问题中的可扩展性，并将算法应用于先 - ICML基于学习排序的决策导向学习
该研究提出了一种基于机器学习模型的决策学习方法，将预测转化成离散组合优化问题的目标函数的代价系数，并提出了一种新的噪声对比度估计损失函数，将决策学习作为学习排名问题，实现对最优解的链式排序，并通过实验检验了其优越性。
- 混合整数规划作为一层
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。
- AAAI将数据决策流程融合：面向决策的组合优化学习
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。