[论文解读] Inverse Optimization: Theory and Applications
本文全面综述了反向优化方法，该方法通过观察到的决策推断目标函数和约束条件，从而在医疗保健、金融和能源等领域重建决策模型。论文提出了一套统一的反向优化模型分类体系，整合了方法论进展与实际应用，特别强调了在噪声或不完美数据下的数据驱动方法。
Inverse optimization describes a process that is the "reverse" of traditional mathematical optimization. Unlike traditional optimization, which seeks to compute optimal decisions given an objective and constraints, inverse optimization takes decisions as input and determines an objective and/or constraints that render these decisions approximately or exactly optimal. In recent years, there has been an explosion of interest in the mathematics and applications of inverse optimization. This paper provides a comprehensive review of both the methodological and application-oriented literature in inverse optimization.
研究动机与目标
- 提出一个系统化的分类框架，基于前向问题结构、参数类型和模型-数据拟合度对反向优化模型进行分类。
- 整合并回顾反向优化的方法论文献，包括经典方法与数据驱动方法的公式化。
- 调查现代应用在多样化领域中的应用，如医疗保健、交通、金融和生物学。
- 识别当前研究中的空白，特别是在可扩展性和分布建模方面，并提出未来研究方向。
- 弥合理论反向优化与现实世界系统中实际数据驱动决策建模之间的差距。
提出的方法
- 提出一个三维分类体系：(1) 前向问题结构（线性、凸、整数、序列）；(2) 参数类型（目标函数、约束条件或两者）；(3) 模型-数据拟合度（完美或不完美）。
- 区分经典反向优化（完美拟合，精确最优性）与数据驱动反向优化（不完美拟合，使用次优性度量）。
- 回顾关键求解技术，包括KKT条件、变分不等式，以及将问题重构成单层优化问题的方法。
- 应用损失函数，如加权ℓ1-范数和最小距离，以处理具有噪声或次优性的决策数据。
- 使用数学规划公式估计潜在参数，例如马科维茨投资组合模型中的风险厌恶程度（κ）或医疗保健中的效用函数。
- 采用分解与近似方法，以应对大规模反向优化模型中来自不同可行区域的多个数据点所带来的可扩展性挑战。
实验结果
研究问题
- RQ1如何基于其结构与建模假设，系统性地对反向优化模型进行分类？
- RQ2经典反向优化（完美拟合）与数据驱动反向优化（不完美拟合）在方法论上的关键差异是什么？
- RQ3反向优化技术在现实世界应用中的表现如何，例如在医疗政策设计、投资组合风险偏好推断和代谢网络建模中？
- RQ4在具有异构决策数据的大规模数据集上，反向优化的可扩展性面临哪些主要挑战？
- RQ5如何将关于数据、参数或模型误设的分布假设纳入模型，以提升估计质量？
主要发现
- 反向优化能够从观察到的决策中估计潜在的决策参数，如风险偏好、效用函数或目标函数权重。
- 采用次优性损失函数（如ℓ1-范数）的数据驱动反向优化模型能有效处理具有噪声或不完美的决策数据，从而在现实应用中提升鲁棒性。
- 在医疗保健领域，反向优化被用于通过分析观察到的肝脏移植等待政策，推断患者对健康状态的偏好。
- 在金融领域，反向优化成功推断出马科维茨投资组合模型中的风险厌恶程度（κ），从而支持个性化机器人投顾系统，并评估共同基金中ESG整合的影响。
- 在经济学中，反向KKT与变分不等式方法被应用于推断纳什及广义纳什均衡博弈中的参数，以建模市场竞争行为。
- 文献揭示了对可扩展求解方法和分布假设整合的迫切需求，以提升高维或不确定环境下的模型可靠性与泛化能力。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。