本文介绍了一种新颖的决策感知替代损失函数家族，称为扰动梯度（PG）损失函数。与现有的替代损失函数不同，PG损失函数的近似误差随着样本数量的增加而消失。该方法在错配设置中渐近地产生最佳策略，尤其在基础模型发生错配且噪声不是中心对称时表现优于现有提案。PG损失函数提供了一种新颖的、可计算的、决策感知学习的方法。

本文介绍了一种新颖的决策感知替代损失函数家族，称为扰动梯度（PG）损失函数。与现有的替代损失函数不同，PG损失函数的近似误差随着样本数量的增加而消失。该方法在错配设置中渐近地产生最佳策略，尤其在基础模型发生错配且噪声不是中心对称时表现优于现有提案。PG损失函数提供了一种新颖的、在理论上有理据的、可计算的、决策感知学习的方法。

我们提出了一种新颖的决策感知替代损失函数家族，称为扰动梯度（PG）损失函数，用于预测 - 优化框架。与现有的替代损失函数不同，我们的 PG 损失函数的近似误差随着样本数量的增加而消失。我们提供了数值证据，证实当基础模型发生错配且噪声不是中心对称时，我们的 PG 损失函数在实质上优于现有的提案。PG 损失函数提供了一种新颖的、在理论上有理据的、可计算的、决策感知学习的方法。