arXiv · cs.AI· Akira Kitaoka·· 20 天前AI 评分18
Outperformance Inverse Optimization：学习优于智能体决策的目标函数
Outperformance Inverse Optimization: Learning Objective Functions that Outperform Agent Decisions
来源与原文
arXiv · cs.AI
作者：Akira Kitaoka
发布时间：（北京时间）
阅读原始来源 · arxiv.org ↗完整链接与内容说明
https://arxiv.org/abs/2610.09890v1
本站目前仅有 AI 导读与摘要，未展示原文正文；技术细节、代码和完整结论请查看原始来源。
AI 导读
这篇 arXiv 论文提出 outperformance inverse optimization 方法，不再让逆向优化复现智能体的观测决策，而是学习能诱导在各个分量上都优于观测动作的最优解的目标函数权重，适用于混合整数线性规划（MILP）。作者给出了仅用前向问题 oracle 即可评估的损失函数，并证明泛化误差以与观测数量成反比的量上界。合成与真实数据实验显示其优于现有方法。
来源：arXiv · cs.AI · arxiv.org