利用概率学实现组合优化层，新研究构建Julia开源包InferOpt.jl

机器学习 (ML) 和组合优化 (CO) 是现代工业流程的两个重要组成部分。ML 方法能从嘈杂的数据中提取有意义的信息，而 CO 可以在高维受限环境中做出决策。在许多情况下，我们希望将这两种工具结合使用，例如从数据中生成预测，然后使用这些预测做出优化决策。因此，混合 ML-CO pipeline 成为一个新兴的研究方向。

然而这里存在两个问题。首先，CO 问题的解通常表现为其目标参数的分段常函数，而 ML pipeline 通常使用随机梯度下降进行训练，因此斜率是非常关键的。其次，标准的 ML 损失在组合环境中效果不佳。

此外，组合优化层（CO 层）往往缺乏良好的实现。近日一项新研究从概率学的角度提出了实现 CO 层的方法，有助于近似微分和结构化损失的构建。