端到端条件鲁棒优化

原文约400字，阅读约需1分钟。发表于：。

将机器学习和优化整合到上下文优化领域以解决决策问题，通过结合不确定性量化与鲁棒优化提高高风险应用的安全性和可靠性，通过巧妙使用可微分的逻辑回归层在训练损失中计算覆盖质量，实现了高质量的条件覆盖，从而训练算法产生了优于传统估计和优化方法的决策。

本文介绍了一种名为Robustness-Constrained Learning（RCL）的机器学习增强算法，用于提高ML预测的鲁棒性。该算法通过将不受信任的ML预测与可信的专家在线算法结合，以增强预测性能。研究表明，RCL能够在多步切换成本和反馈延迟情况下保证（1+λ）竞争力，并以鲁棒性感知的方式训练ML模型。以电动交通的电池管理为案例研究，展示了RCL在鲁棒性和平均性能方面的改进。