精选理由
这篇论文给出了一个训练生成模型的新思路——DW-FM，专门优化下游决策效果，在CVaR任务上比普通流匹配更好用。
论文提出决策加权流匹配（DW-FM）框架，通过重加权速度回归目标对齐下游决策遗憾。理论证明通过损失诱导的决策差异和伴随传输论证，下界遗憾可关联到路径速度不匹配。在合成投资组合、半真实金融和交通CVaR三个基准上，DW-FM相比标准流匹配显著降低下游遗憾。
AI 翻译 · 中文
论文提出决策加权流匹配（DW-FM）框架，通过重加权速度回归目标对齐下游决策遗憾。理论证明通过损失诱导的决策差异和伴随传输论证，下界遗憾可关联到路径速度不匹配。在合成投资组合、半真实金融和交通CVaR三个基准上，DW-FM相比标准流匹配显著降低下游遗憾。
Conditional generative models are increasingly used as scenario generators for stochastic optimization, but standard training objectives emphasize uniform distributional fit rather than the downstream decisions induced b…