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

要約

意思決定集中学習 (DFL) は、機械学習 (ML) と制約付き最適化を統合し、エンドツーエンド システムで ML モデルをトレーニングすることで意思決定の品質を向上させる新たなパラダイムです。
このアプローチは、意思決定モデル内で未知のパラメーターを推定することが大きな課題となる、不確実性の下で動作する現実世界のアプリケーションにおける組み合わせ意思決定に革命をもたらす大きな可能性を示しています。
このペーパーでは、DFL の包括的なレビューを示し、ML と制約付き最適化を組み合わせるために使用される勾配ベースおよび勾配なしの両方の手法の詳細な分析を提供します。
これらの手法の長所と限界を評価し、7 つの問題にわたる 11 の手法の広範な経験的評価が含まれています。
この調査は、DFL における最近の進歩と将来の研究の方向性についての洞察も提供します。
コードとベンチマーク: https://github.com/PredOpt/predopt-benchmarks

要約(オリジナル)

Decision-focused learning (DFL) is an emerging paradigm that integrates machine learning (ML) and constrained optimization to enhance decision quality by training ML models in an end-to-end system. This approach shows significant potential to revolutionize combinatorial decision-making in real-world applications that operate under uncertainty, where estimating unknown parameters within decision models is a major challenge. This paper presents a comprehensive review of DFL, providing an in-depth analysis of both gradient-based and gradient-free techniques used to combine ML and constrained optimization. It evaluates the strengths and limitations of these techniques and includes an extensive empirical evaluation of eleven methods across seven problems. The survey also offers insights into recent advancements and future research directions in DFL. Code and benchmark: https://github.com/PredOpt/predopt-benchmarks

arxiv情報

提供元, 利用サービス

arxiv.jp, Google