报童模型高维特征太烧钱？新算法砍掉90%变量，成本还更低！
Variable Selection for Feature-Based Newsvendor
📖 AI 总结
该研究聚焦于特征型报童模型中的变量选择问题，旨在应对高维特征集带来的可解释性差和实施成本高挑战。作者在硬基数约束下构建了带L2正则化的L0约束经验报童问题，证明了其计算复杂性，并提出混合整数二阶锥规划重构以强化标准Big-M公式。为提升可扩展性，研究开发了具有双准则保证的随机舍入算法和贪心启发式算法。统计层面，论文提供了稀疏策略估计器的理论分析，涵盖有限样本估计误差、样本外风险界和支持恢复保证。基于合成与真实数据的广泛实验表明，该框架在显著减少协变量数量的同时，实现了具有竞争力的样本外运营成本，为高维库存决策提供了有效解决方案。
🔑 关键词速览
| Feature-based newsvendor | 一种利用协变量信息来优化库存决策的报童模型，旨在平衡持有成本和缺货成本。 |
| Variable selection | 从众多特征中选择对预测或决策最有用的子集，以提高模型可解释性和降低实施成本。 |
| ℓ0-constrained | 限制非零特征数量的约束，通常用于实现稀疏性。 |
| Mixed-integer second-order cone programming | 一种数学优化方法，结合了整数规划和二阶锥规划，用于求解带有离散和连续变量的复杂优化问题。 |
| Randomized-rounding algorithm | 一种通过随机化将松弛问题的解转换为可行整数解的算法，常用于近似求解组合优化问题。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅