Optimal Model Selection for Conformalized Robust Optimization

doi:10.1080/01621459.2026.2736788

Optimal Model Selection for Conformalized Robust Optimization

2026-09-19

0

PRE

AI

DOI：10.1080/01621459.2026.2736788

原文链接

原文求助

摘要

En 中文

在不确定性下的决策中，情境鲁棒优化（CRO）通过最小化预测集中的最坏情况决策损失来提供可靠性。尽管最近的进展使用合规模预测为机器学习模型构建预测集，但下游决策严重依赖于模型选择。本文为CRO引入了新的模型选择框架，将鲁棒性控制与决策风险最小化统一起来。我们首先提出了带模型选择的合规模鲁棒优化（CROMS）框架，该框架选择模型以近似最小化CRO解中的平均决策风险。在给定的目标鲁棒性水平 1 − 𝛼 下，我们提出了一种计算效率高的算法E-CROMS，该算法实现渐近鲁棒性控制和决策最优性。为了纠正有限样本中的控制偏差，我们进一步开发了两种算法：F-CROMS，确保 1 − 𝛼 的鲁棒性，但需要搜索标签空间；以及J-CROMS，它在实现鲁棒性的同时提供更低的计算成本。此外，我们将CROMS框架扩展到个性化设置，其中模型选择通过最小化给定测试数据协变量的条件决策风险来完成。该框架通过实现协变量感知的模型选择，推进了合规模预测方法。数值结果表明，在多样化的合成和真实世界应用中，决策效率显著提高，优于基线方法。

Keyword:

Conformal prediction

Contextual robust optimization

Empirical risk minimization

Individualized model selection

Uncertainty set

Optimal Model Selection for Conformalized Robust Optimization

摘要

期刊

机构

引用论文