End-to-end Conditional Robust Optimization

这篇摘要讲的是上下文优化（CO）领域，它将机器学习和优化相结合，解决了在不确定情况下的决策问题。最近，CO的一个风险敏感变体被称为条件鲁棒优化（CRO），它将不确定性量化与鲁棒优化相结合，以提高高风险应用的安全性和可靠性。利用现代可微分优化方法，我们提出了一种新的端到端方法来训练CRO模型，以考虑所指定决策的经验风险和支持它们的上下文不确定性集的条件覆盖质量。虽然从符合预测理论的角度来看，无法保证后者目标的成功，但我们在训练损失的覆盖质量计算中巧妙地采用了一个可微分的逻辑回归层，从而在经验上实现了高质量的条件覆盖。我们表明，所提出的训练算法产生的决策优于传统的估计然后优化方法。

论文旨在解决高风险应用中的决策问题，并提出了一种新的条件鲁棒优化模型，以提高安全性和可靠性。

论文提出了一种基于不确定性量化和鲁棒优化的条件鲁棒优化模型，并使用可微分优化方法进行端到端训练，以同时考虑预定决策的经验风险和支持它们的上下文不确定性集的条件覆盖质量。

论文使用了logistic回归可微分层来计算覆盖质量，实验结果表明，该模型的决策性能优于传统的estimate then optimize方法。

最近的相关研究包括Contextual Optimization和Robust Optimization等方向。