A Solver-Free Training Method for Predict-then-Optimize
无求解器训练的预测后优化方法
🧭 预测后优化 · 决策导向学习
Department of Statistics and Operations Research, University of North Carolina at Chapel Hill
提出无需求解器的代理损失训练预测模型，用于线性优化决策，在保持决策质量的同时大幅减少训练时间。
📌 工作参考价值（4 点）
- 若推荐/广告系统中存在预测模块驱动下游优化（如动态定价、预算分配、库存分配），可借鉴该无求解器训练方式，避免每个梯度步调用优化求解器，实现高效迭代。
- 代理损失基于测度变换构建，具有Fisher一致性理论保证，可提供可靠的训练信号，不必担心近似引入偏差。
- 方法适用于线性目标优化，且允许决策区域为一般紧集（包括离散组合），可尝试迁移至广告组合优化、多目标物料分配等场景。
- 实验显示训练时间可减少两个数量级以上，对于需要频繁训练预测模型的生产系统有显著工程价值。