在 predict-then-optimize 设置中，优化任务的参数是根据上下文特征预测的，在训练机器学习模型时，最好利用底层优化任务的结构。与预测误差的标准度量相比，此设置中的自然损失函数基于考虑由预测参数引起的决策成本。虽然直接优化这个损失函数在计算上具有挑战性，但我们建议使用一种新的凸代理损失函数，我们证明它在温和的条件下在统计上是一致的。我们还提供了各种新颖的泛化边界，包括基于组合复杂性度量的边界和在额外的强凸性假设下显着改进的边界。最后，我们讨论了在 predict-then-optimize 设置中进一步开发新结果和方法的扩展和机会。本次讲座基于与 Othman El Balghiti、Adam Elmachtoub、Ambuj Tewari 和 Heyuan Liu 的联合工作。