論文の概要: Decision-Focused Learning: Foundations, State of the Art, Benchmark and
Future Opportunities
- arxiv url: http://arxiv.org/abs/2307.13565v2
- Date: Wed, 16 Aug 2023 17:26:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-17 16:21:27.087198
- Title: Decision-Focused Learning: Foundations, State of the Art, Benchmark and
Future Opportunities
- Title(参考訳): 意思決定型学習:基礎,最先端,ベンチマーク,将来の可能性
- Authors: Jayanta Mandi, James Kotary, Senne Berden, Maxime Mulamba, Victor
Bucarey, Tias Guns and Ferdinando Fioretto
- Abstract要約: 決定中心学習(DFL)は機械学習における新たなパラダイムであり、決定を最適化し、予測と最適化をエンドツーエンドシステムに統合するためにモデルを訓練する。
本稿では,機械学習と最適化モデルを統合するために考案された様々な手法を詳細に分析し,その特徴から区別されたDFL手法の分類法を導入し,これらの手法の実験的評価を行い,DFLに適したベンチマークデータセットとタスクを提案する。
- 参考スコア(独自算出の注目度): 47.83448766466103
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: 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.
- Abstract(参考訳): 決定中心学習(DFL)は機械学習における新たなパラダイムであり、決定を最適化し、予測と最適化をエンドツーエンドシステムに統合するためにモデルを訓練する。
このパラダイムは、不確実性の下で動作し、これらの決定モデル内の未知のパラメータの推定がしばしば実質的な障害となる多くの現実世界のアプリケーションにおいて、意思決定に革命をもたらすという約束を持っている。
本稿では,DFLの概要を概観する。
機械学習と最適化モデルを統合するために考案された様々な手法を詳細に分析し、独自の特徴によって区別されたDFL手法の分類を導入し、これらの手法の広範な評価を行い、適切なベンチマークデータセットとDFLのためのタスクを提案する。
最後に、この研究は、DFL研究の現在および将来の可能性に関する貴重な知見を提供する。
関連論文リスト
- End-to-End Learning for Fair Multiobjective Optimization Under
Uncertainty [55.04219793298687]
機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。
本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。
この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
論文 参考訳(メタデータ) (2024-02-12T16:33:35Z) - On the Robustness of Decision-Focused Learning [0.0]
決定焦点学習(Decision-Focused Learning, DFL)は、機械学習(ML)モデルを訓練し、不完全な最適化問題の欠落パラメータを予測するための新興学習パラダイムである。
DFLは、予測と最適化タスクを統合することで、エンドツーエンドシステムでMLモデルをトレーニングし、トレーニングとテストの目的の整合性を向上させる。
論文 参考訳(メタデータ) (2023-11-28T04:34:04Z) - Predict-Then-Optimize by Proxy: Learning Joint Models of Prediction and
Optimization [59.386153202037086]
Predict-Then-フレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。
このアプローチは非効率であり、最適化ステップを通じてバックプロパゲーションのための手作りの、問題固有のルールを必要とする。
本稿では,予測モデルを用いて観測可能な特徴から最適解を直接学習する手法を提案する。
論文 参考訳(メタデータ) (2023-11-22T01:32:06Z) - A Survey of Contextual Optimization Methods for Decision Making under
Uncertainty [47.73071218563257]
この記事では、データからポリシーを学ぶための3つの主要なフレームワークを特定し、その強みと限界について論じる。
統一的な表記と用語の下で既存のモデルとメソッドを示し、これらを3つの主要なフレームワークに従って分類する。
論文 参考訳(メタデータ) (2023-06-17T15:21:02Z) - Hierarchical Optimization-Derived Learning [58.69200830655009]
我々は,最適化モデル構築の本質的な動作とそれに対応する学習過程を同時に研究するために,階層型ODL(Hyerarchical ODL)という新しいフレームワークを構築した。
これは、最適化と学習という2つの結合されたODLコンポーネントに対する最初の理論的保証である。
論文 参考訳(メタデータ) (2023-02-11T03:35:13Z) - Efficient Real-world Testing of Causal Decision Making via Bayesian
Experimental Design for Contextual Optimisation [12.37745209793872]
文脈的意思決定の評価と改善のためのデータ収集のためのモデルに依存しないフレームワークを提案する。
過去の治療課題の後悔をデータ効率で評価するために,本手法を用いた。
論文 参考訳(メタデータ) (2022-07-12T01:20:11Z) - Model-Based Deep Learning: On the Intersection of Deep Learning and
Optimization [101.32332941117271]
決定アルゴリズムは様々なアプリケーションで使われている。
数理モデルに頼らずにデータから調整された高度パラメトリックアーキテクチャを使用するディープラーニングアプローチが、ますます人気が高まっている。
モデルに基づく最適化とデータ中心のディープラーニングは、しばしば異なる規律とみなされる。
論文 参考訳(メタデータ) (2022-05-05T13:40:08Z) - Learning MDPs from Features: Predict-Then-Optimize for Sequential
Decision Problems by Reinforcement Learning [52.74071439183113]
我々は、強化学習を通して解決された逐次決定問題(MDP)の文脈における予測列最適化フレームワークについて検討した。
2つの重要な計算課題は、意思決定中心の学習をMDPに適用することである。
論文 参考訳(メタデータ) (2021-06-06T23:53:31Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。