論文の概要: Decision-Focused Learning: When and Why Traditional Prediction Models Fail

• arxiv url: http://arxiv.org/abs/2606.21773v1
• Date: Fri, 19 Jun 2026 21:45:40 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-06-23 15:11:16.469618
• Title: Decision-Focused Learning: When and Why Traditional Prediction Models Fail
• Title（参考訳）: 意思決定型学習 : 従来の予測モデルが失敗する時期と理由
• Authors: Mo Liu,
• Abstract要約: 本チュートリアルは、意思決定中心学習(DFL)の最近の展開をレビューする。 従来の統計学習で広く使われているツールが、意思決定に焦点を絞った設定に直接適合しない理由について論じる。 我々は、従来の予測モデリングと区別するDFLの特性を要約し、新しい意思決定ツールの開発に関する洞察を提供する。
• 参考スコア（独自算出の注目度）: 0.13242832341124522
• License:
• Abstract: Plugging predictions of unknown parameters into downstream optimization problems, often referred to as the ``predict-then-optimize'' paradigm, has long been a standard approach in decision-making under uncertainty. However, improved predictive accuracy does not, in general, translate into improved decision quality. This disconnect has motivated growing interest in decision-focused learning (DFL) within the operations research community. This tutorial reviews recent developments in DFL and highlights key methodological insights, with a particular focus on stochastic linear programming as the downstream decision-making problem. We discuss why several widely used tools in traditional statistical learning are not directly suited to decision-focused settings and must be rethought, including (i) data collection strategies driven purely by predictive uncertainty and (ii) distributional distance measures such as the Wasserstein distance. We summarize properties of DFL that distinguish it from conventional predictive modeling and provide insights into the development of new decision-focused tools.
• Abstract（参考訳）: 未知のパラメータの予測を下流の最適化問題にプラグインし、しばしば 'predict-then-Optimize' パラダイムと呼ばれるのは、不確実性の下での意思決定における標準的なアプローチである。 しかし, 予測精度の向上は, 一般には, 判定精度の向上に寄与しない。 この断絶は、オペレーションリサーチコミュニティ内の意思決定中心学習(DFL)への関心の高まりを動機付けている。 本チュートリアルはDFLの最近の展開を概観し、特に下流決定問題としての確率線形プログラミングに焦点をあてた重要な方法論的洞察を強調している。 従来の統計学習で広く使われているツールが、意思決定に焦点を当てた設定に直接適合せず、再考されなければならない理由について論じる。 一 予測の不確実性により純粋なデータ収集戦略 (II)ワッサーシュタイン距離のような分布距離測度。 我々は、従来の予測モデリングと区別するDFLの特性を要約し、新しい意思決定ツールの開発に関する洞察を提供する。

関連論文リスト

• Prediction Loss Guided Decision-Focused Learning [33.28196791099554]
  決定中心学習(DFL)は、決定品質を直接エンドツーエンドで最適化することで予測モデルを訓練する。 PFLはより安定した最適化をもたらすが、下流の意思決定品質を見落としている。 本稿では, 予測損失勾配を用いて決定損失勾配を摂動させ, 更新方向を構築するという, 単純かつ効果的な手法を提案する。
  論文  参考訳（メタデータ） (2025-09-10T07:49:04Z)
• Bayesian Deep Learning for Discrete Choice [0.0]
  本稿では,ベイズ近似手法の統合に特化して設計されたディープラーニングモデルアーキテクチャを提案する。 提案モデルでは,データに制限がある場合,行動情報に基づく仮説が崩壊する。 本研究は、ニューヨーク市におけるモード選択データを用いた実証事例と、スイスの列車選択データに記述された嗜好データに基づく事例である。
  論文  参考訳（メタデータ） (2025-05-23T16:33:47Z)
• Online Decision-Focused Learning [74.3205104323777]
  意思決定中心学習(DFL)は、意思決定タスクで予測出力が使用されるモデルのトレーニングパラダイムとして、ますます人気が高まっている。 本稿では,目的関数を規則化し,その相違を解消し,非最適関数を克服する方法を検討する。 また、クナップサック実験におけるアルゴリズムの有効性を示し、2つの標準ベンチマークを上回りました。
  論文  参考訳（メタデータ） (2025-05-19T10:40:30Z)
• Learning Solutions of Stochastic Optimization Problems with Bayesian Neural Networks [4.202961704179733]
  多くの実世界の設定において、これらのパラメータのいくつかは未知または不確かである。 最近の研究は、利用可能なコンテキスト特徴を用いて未知のパラメータの値を予測することに焦点を当てている。 本稿では、不確実性ニューラルネットワーク(BNN)をモデル化し、この不確実性を数学的解法に伝達する新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-06-05T09:11:46Z)
• Uncertainty Quantification for Forward and Inverse Problems of PDEs via Latent Global Evolution [110.99891169486366]
  本稿では,効率的かつ高精度な不確実性定量化を深層学習に基づく代理モデルに統合する手法を提案する。 本手法は,フォワード問題と逆問題の両方に対して,堅牢かつ効率的な不確実性定量化機能を備えたディープラーニングに基づく代理モデルを提案する。 提案手法は, 長期予測を含むシナリオに適合し, 拡張された自己回帰ロールアウトに対する不確かさの伝播に優れる。
  論文  参考訳（メタデータ） (2024-02-13T11:22:59Z)
• Uncertainty Estimation by Fisher Information-based Evidential Deep Learning [61.94125052118442]
  不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。 漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。 特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
  論文  参考訳（メタデータ） (2023-03-03T16:12:59Z)
• 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。