Robust Data-driven Prescriptiveness Optimization

要約

豊富なデータにより、利用可能な副次的な情報を活用して、より予測的な意思決定を提供しようとするさまざまな最適化手法が出現しました。
幅広い方法と適用の状況により、規範性の係数として知られる普遍的な単位のないパフォーマンスの尺度の設計が動機付けられました。
この係数は、参照決定と比較した状況に応じた決定の質と、サイド情報の規範力の両方を定量化するように設計されました。
データ駆動型のコンテキストで前者を最大化する政策を特定するために、この論文では、古典的な経験的リスク最小化目標の代わりに規範性の係数を使用する、分布的に堅牢なコンテキスト最適化モデルを導入します。
我々は、このモデルを解くための二分アルゴリズムを提案します。このアルゴリズムは、分布曖昧性セットが適切な入れ子形式と多面体構造を持っている場合に、一連の線形プログラムを解くことに依存します。
コンテキスト最短経路問題を研究し、サンプル外のデータセットがさまざまな量の分布シフトの影響を受ける場合に、代替方法に対する結果として得られるポリシーの堅牢性を評価します。

要約(オリジナル)

The abundance of data has led to the emergence of a variety of optimization techniques that attempt to leverage available side information to provide more anticipative decisions. The wide range of methods and contexts of application have motivated the design of a universal unitless measure of performance known as the coefficient of prescriptiveness. This coefficient was designed to quantify both the quality of contextual decisions compared to a reference one and the prescriptive power of side information. To identify policies that maximize the former in a data-driven context, this paper introduces a distributionally robust contextual optimization model where the coefficient of prescriptiveness substitutes for the classical empirical risk minimization objective. We present a bisection algorithm to solve this model, which relies on solving a series of linear programs when the distributional ambiguity set has an appropriate nested form and polyhedral structure. Studying a contextual shortest path problem, we evaluate the robustness of the resulting policies against alternative methods when the out-of-sample dataset is subject to varying amounts of distribution shift.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google