Decision-focused learning for optimal PV-Battery scheduling
面向光伏电池优化调度的决策聚焦学习
🧭 决策聚焦学习 · 预测与优化协同 ★ 深度解读
KU Leuven
将预测与优化任务联合训练，通过 warm-start 方式在 20 栋住宅上降低平均电费 7.8%
📌 工作参考价值（4 点）
- 业务目标对齐训练：推荐系统中常以 CTR、CVR 为中间指标，可以借鉴 DFL 将最终收益（如 GMV）直接作为损失指导召回或排序模型训练，避免统计精度与业务目标的脱节。
- Warm‑start 策略：先用传统损失预训练，再用任务相关损失微调，能兼顾预测稳定性与下游收益，适合从已有高精度模型迁移到新业务目标。
- 凸优化层嵌入：若线上决策问题可建模为凸优化（如动态定价、资源分配），可用 cvxpylayers 等工具将其可微化，端到端训练前向预测模型，直接优化决策质量。
- 注意其他不确定参数的影响：系统中若存在多个不确定输入（如推荐里的用户意图），DFL 会受其噪声影响，warm‑start 可缓解这种脆弱性，值得在 Agent 多智体协同中参考。