Decision-Focused Optimal Transport
决策导向的最优传输AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要属于随机优化与最优传输的理论方法研究，未涉及因果识别、面板、离散选择、时间序列或金融计量等具体领域，故不选择给定领域细分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
决策导向的最优传输
- 研究问题
- 摘要称，研究如何度量两个随机目标系数分布之间的距离，使该距离能反映随机线性优化问题目标值（决策后果）的差异，而非仅刻画分布本身的差异。
- 方法与思路
- 作者提出决策导向（DF）散度，基于最优传输思想构造乐观 DF 距离、稳健 DF 距离及其熵正则化变体，给出与经典分布度量的联系、高效计算方法与估计的样本复杂度保证。
- 材料陈述的贡献
- 摘要称该距离建立了与经典分布度量的联系，提供了高效计算方法和样本复杂度保证，并指出 DF 距离估计可避免 Wasserstein 距离估计中的维数灾难；以分布插值和数值研究作为示例。
- 阅读关注点
- 应核对 DF 距离的精确定义与耦合方式、乐观与稳健设定的差别、熵正则化带来的偏差、样本复杂度结论所依赖的假设，以及数值实验的设定与结论是否支持摘要中的表述。
- 阅读边界
- 仅凭摘要无法判断定理条件、常数与证明细节，也无法核实“避免维数灾难”的具体含义与适用范围；摘要未说明真实医疗数据的具体来源与实验设计。该文为 arXiv 预印本，未经同行评审验证。
原文摘要
We propose a fundamental metric for measuring the distance between two distributions. This metric, referred to as the decision-focused (DF) divergence, is tailored to stochastic linear optimization problems in which the objective coefficients are random and may follow two distinct distributions. Traditional metrics such as KL divergence and Wasserstein distance are not well-suited for quantifying the resulting cost discrepancy, because changes in the coefficient distribution do not necessarily change the optimizer of the underlying linear program. Instead, the impact on the objective value depends on how the two distributions are coupled (aligned). Motivated by optimal transport, we introduce decision-focused distances under several settings, including the optimistic DF distance, the robust DF distance, and their entropy-regularized variants. We establish connections between the proposed DF distance and classical distributional metrics. For the calculation of the DF distance, we develop efficient computational methods. We further derive sample complexity guarantees for estimating these distances and show that the DF distance estimation avoids the curse of dimensionality that arises in Wasserstein distance estimation. The proposed DF distance provides a foundation for a broad range of applications. As an illustrative example, we study the interpolation between two distributions. Numerical studies, including a toy newsvendor problem and a real-world medical testing dataset, demonstrate the practical value of the proposed DF distance.