End-to-end Conditional Robust Optimization

要約

コンテキスト最適化 (CO) の分野では、機械学習と最適化を統合して、不確実性の下での意思決定の問題を解決します。
最近では、条件付きロバスト最適化 (CRO) として知られるリスクに敏感な CO のバリアントが、リスクの高いアプリケーションでの安全性と信頼性を促進するために、不確実性の定量化とロバストな最適化を組み合わせています。
最新の微分可能な最適化手法を活用して、所定の決定の経験的リスクと、それらをサポートする文脈上の不確実性セットの条件付きカバレッジの品質の両方を考慮した方法で CRO モデルをトレーニングするための新しいエンドツーエンドのアプローチを提案します。
後者の目的の成功の保証は、等角予測理論の観点からは得られませんが、トレーニング損失のカバレッジ品質の計算内でロジスティック回帰微分可能層を巧みに採用することにより、高品質の条件付きカバレッジが経験的に達成されます。
提案されたトレーニング アルゴリズムが従来の推定を上回る決定を生成し、アプローチを最適化することを示します。

要約(オリジナル)

The field of Contextual Optimization (CO) integrates machine learning and optimization to solve decision making problems under uncertainty. Recently, a risk sensitive variant of CO, known as Conditional Robust Optimization (CRO), combines uncertainty quantification with robust optimization in order to promote safety and reliability in high stake applications. Exploiting modern differentiable optimization methods, we propose a novel end-to-end approach to train a CRO model in a way that accounts for both the empirical risk of the prescribed decisions and the quality of conditional coverage of the contextual uncertainty set that supports them. While guarantees of success for the latter objective are impossible to obtain from the point of view of conformal prediction theory, high quality conditional coverage is achieved empirically by ingeniously employing a logistic regression differentiable layer within the calculation of coverage quality in our training loss. We show that the proposed training algorithms produce decisions that outperform the traditional estimate then optimize approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google