Prescriptive Learning of Linear Policies with Feasibility Guarantees for Binary Decision-Making

我们提出一个用于二元决策的指导性学习框架，解决其局限性。该框架不预测最优标签，而是联合优化线性决策策略和可行分配，覆盖所有训练场景，使可行替代方案和其操作性能在训练过程中直接考虑。我们进一步扩展框架，采用Wasserstein模糊集，构建分布鲁棒的随机约束模型，确保在模糊集中的最坏分布下满足指定概率的可行性，并允许稳健性和解质量之间可调节的权衡。