Differentiation of Multi-objective Data-driven Decision Pipeline

真实世界中的场景经常涉及到多目标数据驱动优化问题，这些问题的特点是未知的问题系数和多个相互冲突的目标。传统的两阶段方法独立地应用机器学习模型来估计问题系数，然后调用求解器来解决预测的优化问题。优化求解器和预测模型的独立使用可能会导致性能亚优，因为它们的目标之间存在不匹配。最近的研究集中在预测模型的端到端训练上，这些模型使用下游优化问题导出的决策损失。然而，这些方法主要集中在单目标优化问题上，因此限制了它们的适用性。我们旨在提出一种多目标决策聚焦方法来解决这个问题。为了更好地与多目标优化问题的固有属性相一致，我们提出了一组新的损失函数。这些损失函数旨在捕捉预测和真实决策问题之间的差异，考虑解空间、目标空间和决策质量，分别命名为景观损失、帕累托集损失和决策损失。我们的实验结果表明，我们提出的方法明显优于传统的两阶段方法和大多数当前的决策聚焦方法。

多目标数据驱动优化问题中的决策焦点方法

提出一种多目标决策焦点方法，用于解决多目标数据驱动优化问题中预测模型和优化求解器之间的不匹配问题。该方法设计了一组新的损失函数，包括景观损失、Pareto集损失和决策损失，以捕捉预测和真实决策问题之间的差异。

实验结果表明，该方法显著优于传统的两阶段方法和大多数当前的决策焦点方法。

最近的研究主要集中在单目标优化问题上，如《End-to-End Learning for Multi-Objective Optimization》和《Deep Reinforcement Learning for Multi-Objective Optimization》。