Decision-Focused On-Policy Learning for Contextual Linear Optimization with Partial Feedback

TL;DR

提出一种用于上下文线性优化的决策聚焦在线学习方法,实验表明其累积遗憾低于基线。

cs.LG 🔴 高级 2026-05-31 35 次浏览
Wyame Benslimane Tinghan Ye Pascal Van Hentenryck Paul Grigas
决策聚焦学习 在线学习 上下文线性优化 部分反馈 混合梯度估计

核心发现

方法论

该方法采用混合梯度估计器,包括无偏的得分函数估计和决策聚焦的插件组件。通过从条件分布中采样成本向量预测,并解决下游线性优化问题来更新分布模型。

关键结果

  • 实验表明,在top-k选择、最短路径、组合定价及能源调度基准上,该方法的累积遗憾低于上下文bandit基线。
  • 使用高斯和更丰富的条件生成模型,混合梯度方法在所有基准上表现出色。
  • 证明了平均平方政策梯度范数的O(T^{-1/2})界限,匹配标准非凸SGD速率。

研究意义

该研究在学术界和工业界具有重要意义,解决了上下文线性优化中部分反馈的挑战。通过优化下游决策质量而非单独的预测精度,提升了决策系统的效率。

技术贡献

技术贡献包括引入了新的在线策略梯度估计器,结合了得分函数和决策聚焦插件,提供了新的理论保证和工程可能性。

新颖性

该方法首次将决策聚焦学习应用于在线上下文线性优化,特别是在部分反馈环境中,提供了创新的混合梯度估计方法。

局限性

  • 在高维空间中,得分函数估计可能会导致高方差问题。
  • 插件组件的性能依赖于辅助估计的准确性。

未来方向

未来工作可以探索更复杂的反馈结构和更高效的分布模型更新方法。

AI 总览摘要

在许多操作系统中,决策是通过解决约束优化问题来完成的。然而,传统方法通常依赖于离线数据和完整的目标成本向量观察,这在实际应用中常常不现实。

本文提出了一种新的决策聚焦在线学习方法,适用于部分反馈的上下文线性优化。该方法通过从条件分布中采样成本向量预测,并解决下游线性优化问题来更新策略参数。实验表明,该方法在多个基准测试中表现优于现有的上下文bandit方法。

尽管该方法在实验中表现出色,但仍存在一些局限性,如高维空间中的高方差问题。未来的研究可以进一步优化分布模型更新方法,以提高效率和准确性。

深度分析

研究背景

决策聚焦学习通过优化下游决策质量而非单独预测精度来训练预测模型。上下文线性优化在许多领域有广泛应用,如车辆路径规划和动态定价。

核心问题

传统方法假设离线数据和完整的目标成本向量观察,这在实际应用中常常不现实。部分反馈环境下的上下文线性优化是一个挑战。

核心创新

本文提出了一种新的在线学习方法,结合了得分函数和决策聚焦插件组件,能够在部分反馈环境中有效更新策略参数。

方法详解

  • �� 使用混合梯度估计器,包括得分函数和插件组件。
  • �� 从条件分布中采样成本向量预测。
  • �� 解决下游线性优化问题以更新策略参数。

实验设计

实验在top-k选择、最短路径、组合定价和能源调度基准上进行,使用高斯和更丰富的条件生成模型。

结果分析

实验结果表明,该方法在所有基准上累积遗憾低于上下文bandit基线,并证明了O(T^{-1/2})的政策梯度范数界限。

应用场景

该方法可用于需要上下文线性优化的领域,如物流、能源管理和动态定价。

局限与展望

高维空间中的得分函数估计可能会导致高方差问题,插件组件的性能依赖于辅助估计的准确性。

通俗解读 非专业人士也能看懂

想象你在厨房里做饭。你需要根据食材的价格和质量做出最佳选择,但你只能看到部分价格信息。这个方法就像一个聪明的助手,它能根据你提供的有限信息,猜测出最可能的价格,并帮助你做出最佳决策。

简单解释 像给14岁少年讲一样

想象你在玩一个游戏,你需要选择最好的路径来获得最高分数,但你只能看到部分地图。这个方法就像一个超级聪明的游戏助手,它能根据你看到的地图部分,猜测出隐藏的部分,并帮助你选择最佳路径!

术语表

决策聚焦学习 (Decision-Focused Learning)

一种通过优化下游决策质量而非单独预测精度来训练模型的方法。

用于训练预测模型以提高决策系统的效率。

上下文线性优化 (Contextual Linear Optimization)

在给定上下文信息的情况下,解决线性优化问题的过程。

用于在部分反馈环境中进行在线学习。

部分反馈 (Partial Feedback)

在决策过程中,只能观察到部分信息的反馈机制。

研究中考虑的反馈环境。

混合梯度估计 (Hybrid Gradient Estimation)

结合得分函数和决策聚焦插件的梯度估计方法。

用于更新策略参数的方法。

得分函数估计 (Score Function Estimation)

一种无偏的策略梯度估计方法,但可能会导致高方差。

用于混合梯度估计中的一个组件。

开放问题 这项研究留下的未解疑问

  • 1 如何在高维空间中有效降低得分函数估计的方差?
  • 2 如何提高插件组件在不同反馈结构下的性能?

应用场景

近期应用

物流优化

可用于优化物流路径选择,提高运输效率。

远期愿景

智能能源管理

通过优化能源调度,提高能源利用率,降低成本。

原文摘要

Decision-focused learning (DFL) trains predictive models by optimizing downstream decision quality rather than standalone prediction accuracy. For contextual linear optimization, most existing DFL methods assume offline data and full observations of the objective cost vector. We develop an on-policy learning method for sequential contextual linear optimization under partial feedback, generalizing the standard bandit feedback setting. Our method learns a stochastic predict-then-optimize policy that samples a cost-vector prediction from a conditional distribution and solves the resulting downstream linear optimization problem. To update this distributional model, we introduce a two-component hybrid gradient estimator. The first component is a score function estimator, which provides an unbiased but potentially high-variance policy gradient estimate. The second is a decision-focused plug-in component that uses an auxiliary nuisance estimate of the latent cost vector to exploit the downstream optimization structure, becoming more informative as the estimate improves. We prove an $\mathcal{O}(T^{-1/2})$ bound on the average squared policy-gradient norm, matching the standard non-convex SGD rate. Experiments on top-$k$ selection, shortest path, combinatorial pricing, and a real-data energy-scheduling benchmark show that the hybrid gradient approach achieves lower cumulative regret than contextual-bandit-style baselines across all benchmarks, using both Gaussian and richer conditional generative models. Code is available at https://github.com/Joeyetinghan/on-policy-bandit-dfl.

cs.LG