Prescriptive modality selection for classification and regression a a b

Emilio Carrizosa

doi:10.1016/j.ejor.2026.07.009

Prescriptive modality selection for classification and regression a a b

2026-08-01

0

PRE

AI

DOI：10.1016/j.ejor.2026.07.009

原文链接

原文求助

摘要

En 中文

本文提出了一种用于多模态监督学习的规范性分析框架，其中特征被组织成具有不同采集成本的块（或模态）。我们解决了在预算约束下进行个体化模态选择的问题，以确定针对每个即将到来的个体应采集哪些信息以提高预测性能。我们的方法分为两步。首先，我们构建一个通过集成定制决策树模型得到的随机森林，这些模型明确利用了特征的分块排列结构，并估计在考虑不同块时的预测误差。其次，基于这些预测，将需要处方的每个即将到来的个体的模态选择表述为一个整数规划问题，该问题在预算限制下最小化整体预测误差的估计值。所提出的框架能够扩展到高维多模态设置，并通过针对响应变量对模态子集的重要性进行排序来提供可解释性。在合成和真实数据集上的结果表明，该方法在分类和回归任务中均实现了高效的资源分配。

Keyword:

Prescription

Mathematical optimization

Supervised learning

Prescriptive modality selection for classification and regression a a b

摘要

期刊

机构

引用论文