.png){kind=icon}
返回
Towards robust interpretable surrogates for optimization
.png){kind=icon}
OA
AI
DOI：10.1007/s10479-026-07101-4.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在优化模型的实际应用中，一个重要因素是目标用户的接受度。这除了受其他因素影响外，还受解决方案过程的可解释性影响。满足这一要求的决策规则可以通过适用于固有可解释优化模型的框架来生成。在实际中，通常存在关于优化问题参数的不确定性。应对这一挑战的成熟方法是鲁棒优化概念。本研究的目标是结合这两种概念：创建作为优化过程替代的决策树，使其对扰动具有更强的鲁棒性，同时保持固有可解释性。为此，我们提出了基于不同不确定性建模变体和求解方法的合适模型，并进一步评估了启发式方法执行此任务的应用性。两种方法均与现有的固有可解释优化模型框架进行了比较。
Keyword:
Data-driven optimization
Interpretability and explainability in optimization
Robust optimization
Decision trees
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4.5
论文数:
8.0K
被引数:
2.1W
机构
引用论文
.png){kind=icon}
Interpretable Operations Research for High-Stakes Decisions: Designing the Greek COVID-19 Testing System可解释的运筹学在高风险决策中的应用：希腊COVID-19检测系统的设计
PREAI
分享收藏Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead停止解释高风险决策的黑盒机器学习模型，而改用可解释的模型OAAI
OAAI分享收藏
查看更多内容