南洋理工大学汤勤深助理教授为经管学院师生作学术报告

  • 文/刘丰 图/刘丰 (经济与管理学院)
  • 创建于 2022-09-18
  • 565

  9月14日,经管学院“SEM管理科学”青年学者论坛邀请到南洋理工大学汤勤深助理教授带来题为“Decision-Driven Regularization: A Blended Model for Predict-then-Optimize”的学术报告。


  汤勤深,现就职于新加坡南洋理工大学南洋商学院,担任信息技术和运营管理系助理教授。他目前主要研究兴趣包括数据驱动和目标导向的决策模型、鲁棒和鲁棒性优化,及其在运营和供应链管理中的应用。其研究成果发表在Management Science, Manufacturing & Service Operations Management等期刊。

  汤勤深首先通过三个经典的优化模型:报童模型、投资组合模型以及最短路模型,说明了在大多数优化模型中额外的特征信息能够帮助我们更好地做出决策,并由此引入统计机器学习中常用的框架“预测然后优化”(Predict-then-optimize),即先利用历史数据构建学习策略对未知参数进行估计,再利用估计得出的参数进行优化决策,这种“预测然后优化”的两阶段问题在数据驱动的库存、投资组合和运输路线的研究中普遍存在。汤勤深通过两个实际问题:决策树问题以及最短路问题,证明了未知参数的预测精度提高并不一定能够保证做出的决策效果更好,并且将预测和优化过程分开总是会导致在预测的准确性损失和决策的次优性之间进行权衡,而汤勤深专注于将这两个过程结合起来。在总结了SPO+(智能预测-优化)和JERO(联合估计-鲁棒性优化)之后,汤勤深介绍了自己的原创性工作——决策驱动正则化(DDR)模型。该模型引入正则化方法,提出了一种混合预测然后优化的框架。这种框架虽然也可能导致对结果的偏差预测,但是可以将优化问题轻松地纳入预测阶段,以保证决策结果的鲁棒性以及预测函数的正确性趋势。 接着,汤勤深从正则化、鲁棒优化和遗憾最小化方法三个角度对DDR模型做了进一步的阐述,说明了DDR模型与这三者之间存在一定的等价关系,并从理论上证明了DDR模型的鲁棒性以及样本外的性能保证(performance guarantee)。最后,汤勤深通过车辆路径规划问题,详尽阐明了在数值实验方面,与OLS、LASSO、SPO+、JERO相比,DDR模型在低错误规范(low mis-specification)以及成本函数非线性时远远优于上述四个模型的表现。

  报告结束后,在场师生就模型理论分析和数值实验等部分与汤勤深老师进行了热烈讨论和交流。本次讲座在参数预测与优化模型的结合上提供了新的范式,对同学们今后的研究有较大启发,得到了师生的一致好评。

责任编辑:刘虹洁