报道 | IJCAI 2021 研讨会：当数据科学遇上优化 (DSO)

『运筹OR帷幄』原创

作者：运筹OR帷幄整理

SUMMER

编者按

SUMMER TIME

数据科学与优化密切相关。一方面，我们可使用优化器解决数据科学中的许多问题，另一方面，不能认为通过经典模型（例如来自数学规划的模型）提出的优化问题独立于历史数据。为此，IJCAI2021workshop拟在线举办”数据科学邂逅调度优化“研讨会，研讨会提交文稿截止时间为2021年5月31日，举办时间为2021年8月，地点为加拿大蒙特利尔，活动官网为

https://sites.google.com/view/ijcai2021dso

重要日期

2021年5月31日：提交文稿截止日期

2021年6月15日：收到通知

2021年8月21日：研讨会开始

关于本研讨会

数据科学与优化密切相关。一方面，我们可以使用优化器解决数据科学中的许多问题，另一方面，不能认为通过经典模型（例如来自数学规划的模型）提出的优化问题独立于历史数据。例如：机器学习通常依赖于线性或整数规划等优化技术；推理系统已被应用于约束模式和序列挖掘任务；元启发式方法的并行开发已在数据挖掘和机器学习领域中小有应用。事实证明，组合优化算法可使机器学习方法从基于历史数据的配置、算法选择和调整工具中受益。另外，我们可以将机器学习模型嵌入组合优化问题中，以应对难以建模的系统或验证机器学习模型本身；可以以集成的方式处理“predict then optimize”的pipeline，以显着提高解的质量。

目标与范围

本次研讨会目的是组织来自数据科学，约束优化和运筹学的研究人员公开讨论和思维碰撞，以便确定这些领域的技术如何互惠互利。项目委员会邀请提交的内容包括但不限于以下主题：

1）应用数据科学和机器学习方法来解决组合优化问题，例如基于历史数据的算法选择，使用包括强化学习的机器学习方法来加速（或驱动）搜索过程，以及处理用于决策或预测-决策模型的不确定性神经组合优化。

2）使用优化算法开发机器学习模型：将学习预测模型的问题建模为混合整数规划（MIP），约束编程（CP）或可满足性（SAT）问题。使用搜索算法和元启发式算法调整机器学习模型。从经验数据中学习约束模型。

3）嵌入/编码方法：将机器学习与组合优化、模型转换相结合。

论文具体提交要求请移步官网：

https://sites.google.com/view/ijcai2021dso