Decision-Focused Learning: Foundations, State of the Art, Benchmark and Future Opportunities

要約

意思決定中心学習 (DFL) は、エンドツーエンド システムで予測と最適化を統合し、意思決定を最適化するモデルをトレーニングする機械学習の新たなパラダイムです。
このパラダイムは、不確実性の下で動作する多くの実世界のアプリケーションにおける意思決定に革命をもたらすと期待されており、意思決定モデル内の未知のパラメーターの推定が大きな障害となることがよくあります。
この文書では、DFL の包括的なレビューを示します。
機械学習と最適化モデルを統合するために考案されたさまざまな手法を詳細に分析し、独自の特性によって区別される DFL 手法の分類を導入し、これらの手法の広範な実証的評価を実施して、DFL に適したベンチマーク データセットとタスクを提案します。
最後に、この研究は、DFL 研究の現在および将来の可能性についての貴重な洞察を提供します。

要約(オリジナル)

Decision-focused learning (DFL) is an emerging paradigm in machine learning which trains a model to optimize decisions, integrating prediction and optimization in an end-to-end system. This paradigm holds the promise to revolutionize decision-making in many real-world applications which operate under uncertainty, where the estimation of unknown parameters within these decision models often becomes a substantial roadblock. This paper presents a comprehensive review of DFL. It provides an in-depth analysis of the various techniques devised to integrate machine learning and optimization models introduces a taxonomy of DFL methods distinguished by their unique characteristics, and conducts an extensive empirical evaluation of these methods proposing suitable benchmark dataset and tasks for DFL. Finally, the study provides valuable insights into current and potential future avenues in DFL research.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google