本研究提出了一种预测-优化框架，利用因果机器学习估计条件平均剂量响应，并通过整数线性规划优化资源分配，适用于医疗、借贷和人力资源管理等领域。

本研究探讨了传统数据集距离在预测-优化（PtO）框架中的局限性，并提出了一种新的数据集距离，能准确预测不同PtO任务中的可转移性。

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。