Dual‑Guided Loss: Skalierbares Lernen für Entscheidungsoptimierung
In vielen praktischen Situationen werden Entscheidungen unter Unsicherheit getroffen, indem Vorhersagen in Optimierungsprobleme eingespeist werden. Das „Predict‑then‑Optimize“-Paradigma hat die Entwicklung von decision‑focused learning (DFL) vorangetrieben, bei dem Modelle so trainiert werden, dass sie die Art und Weise berücksichtigen, wie der Optimierer die Vorhersagen nutzt. Trotz des vielversprechenden Ansatzes ist die Skalierbarkeit ein Problem: aktuelle Methoden verlangen häufige und kostenintensive Aufrufe eines Optimierers, oft eines kombinatorischen, oder setzen auf aufgabenspezifische Surrogates.
