核心概念
機械学習と最適化を統合した新しいエンドツーエンドアプローチにより、条件付き堅牢最適化の性能を向上させる。
要約
コンテキスト不確実性セットの条件付きカバレッジを強化し、CROパフォーマンスを改善する新しいフレームワークが導入された。シミュレートされた実験により、提案手法はロバストポートフォリオ最適化で優れた結果を示す。エンドツーエンドアプローチが不確実性の量子化の重要性を示し、不確かな意思決定下でのリスク回避における効果的な手法であることが強調されています。
統計
CVaR: 1.08 ± 0.13
マージナルカバレッジ: 92 ± 1.5%
平均CVaR: ETO-CPS - 1.58 ± 0.03, ETO-ACPS - 1.69 ± 0.05, ETO-DbS - 1.64 ± 0.07, TbS - 1.03 ± 0.10, DTbS - 1.08 ± 0.13
引用
"End-to-end learning is a more recent stream of work that integrates the Estimation and Optimization tasks and trains using the downstream loss."
"The advantage of the dual task-based approach, DTbS, over the single task one are obvious."
"The findings point to the importance of uncertainty quantification and highlight the effectiveness of an end-to-end approach in risk averse decision-making under uncertainty."