Nieuwste werk Scalable Decision-Focused Learning through Cost-Sensitive Regression Preprint · 2026 Publicaties

Onderzoek: machine learning voor besluitvorming. Noah Schutte, promovendus aan de TU Delft.

  • Promovendus · Technische Universiteit Delft
  • Algorithmics-groep
  • Epistemic AI-project
Publicaties Nieuws

Over

Leren beslissen

Noah Schutte is promovendus in de Algorithmics-groep van de TU Delft. Hij werkt aan decision-focused learning en predict-then-optimize: machine-learningmodellen trainen op de kwaliteit van de beslissingen die ze voeden, in plaats van alleen op voorspelnauwkeurigheid. Zijn achtergrond ligt in mathematische optimalisatie, stochastisch programmeren en machine learning.

01

Eerst voorspellen, dan beslissen

Routes, roosters en energieplanningen hangen af van getallen die niemand vooraf kent, dus een model voorspelt ze eerst.

02

Leren voor de beslissing

Decision-focused learning traint dat model op hoe goed de uiteindelijke beslissing is, in plaats van op hoe dicht elke voorspelling bij de werkelijkheid ligt.

03

Robuust en schaalbaar

Zijn methodes zorgen dat die training standhoudt als data ruis bevat of schaars is, en snel blijft bij grotere problemen.

Begeleiders

Neil Yorke-Smith
Krzysztof Postek

Groep

Algorithmics, Software Technology, EEMCS

Project

Epistemic AI

AI met garanties op voorspellingen en beslissingen, door onzekerheid uit de echte wereld goed te modelleren.

TU Delft-profiel Semantic Scholar Google Scholar

Nieuws

Laatste nieuws

  1. Nieuwsberichten staan in js/config.js

    Voeg daar conferentiebezoeken, praatjes en nieuwe artikelen toe.

Publicaties

Artikelen

4 publicaties
  1. 2026
    Preprint

    Scalable Decision-Focused Learning through Cost-Sensitive Regression

    Noah Schutte, Senne Berden, Tias Guns, Krzysztof Postek, Neil Yorke-Smith

    arXiv:2605.18005 · mei 2026

    Decision-focused learning traint een voorspelmodel op hoe goed de uiteindelijke beslissing is. Het nadeel: tijdens het trainen wordt het hele optimalisatieprobleem steeds opnieuw opgelost, en dat wordt al snel traag. Dit artikel herformuleert de taak als kostengevoelige regressie, waarbij te hoge en te lage voorspellingen worden bestraft naar hun effect op de beslissing. Het vraagt hoogstens één keer oplossen per trainingsvoorbeeld, evenaart de beste bestaande methodes in beslissingskwaliteit en schaalt naar probleemgroottes die decision-focused learning nog niet aankon.

    • Schaalbaarheid
    • Kostengevoelige regressie
    • Combinatorische optimalisatie
    PDF arXiv
    Citeer (BibTeX)
    @misc{schutte2026scalable,
  title         = {Scalable Decision-Focused Learning through Cost-Sensitive Regression},
  author        = {Schutte, Noah and Berden, Senne and Guns, Tias and Postek, Krzysztof and Yorke-Smith, Neil},
  year          = {2026},
  eprint        = {2605.18005},
  archivePrefix = {arXiv},
  primaryClass  = {cs.LG}
}
  2. 2026
    IJCAI 2026

    Sufficient Decision Proxies for Decision-Focused Learning

    Noah Schutte, Grigorii Veviurko, Krzysztof Postek, Neil Yorke-Smith

    Proceedings of the 35th International Joint Conference on Artificial Intelligence, IJCAI-26, pp. 2337-2345

    Om onder onzekerheid te plannen kan een model één scenario voorspellen (een enkele beste schatting) of een volledige kansverdeling. Dit artikel onderzoekt welke eigenschappen van een probleem bepalen welk soort voorspelling, een "decision proxy", genoeg is voor een goede beslissing, en stelt nieuwe opties voor die weinig extra rekenwerk kosten. Ze worden getest op continue en discrete problemen waarin zowel het doel als de beperkingen onzeker zijn.

    • Decision proxies
    • Onzekerheid
    • IJCAI 2026
    PDF arXiv
    Citeer (BibTeX)
    @inproceedings{schutte2026sufficient,
  title     = {Sufficient Decision Proxies for Decision-Focused Learning},
  author    = {Schutte, Noah and Veviurko, Grigorii and Postek, Krzysztof and Yorke-Smith, Neil},
  booktitle = {Proceedings of the Thirty-Fifth International Joint Conference on Artificial Intelligence, {IJCAI-26}},
  pages     = {2337--2345},
  year      = {2026}
}
  3. 2024
    IJCAI 2024

    Robust Losses for Decision-Focused Learning

    Noah Schutte, Krzysztof Postek, Neil Yorke-Smith

    Proceedings of the 33rd International Joint Conference on Artificial Intelligence, IJCAI-24, pp. 4868-4875

    Decision-focused learning traint meestal op "regret": hoeveel slechter een beslissing is dan de best mogelijke, per voorbeeld uit het verleden. Maar de beste beslissing voor één ruisig voorbeeld kan ver afliggen van de gemiddeld beste beslissing, waardoor het model de verkeerde les leert. Het artikel meet hoe zowel toeval als gebrek aan kennis dit signaal vertekenen en stelt drie robuustere verliesfuncties voor. Die verbeteren de resultaten op nieuwe data zonder extra trainingstijd, op kortstepad-, handelsreizigers- en energieplanningsproblemen.

    • Robuuste optimalisatie
    • Verliesfuncties
    • IJCAI 2024
    PDF DOI arXiv
    Citeer (BibTeX)
    @inproceedings{schutte2024robust,
  title     = {Robust Losses for Decision-Focused Learning},
  author    = {Schutte, Noah and Postek, Krzysztof and Yorke-Smith, Neil},
  booktitle = {Proceedings of the Thirty-Third International Joint Conference on Artificial Intelligence, {IJCAI-24}},
  pages     = {4868--4875},
  year      = {2024},
  doi       = {10.24963/ijcai.2024/538}
}
  4. 2024
    IJCAI 2024

    Optimization Under Epistemic Uncertainty Using Prediction

    Noah Schutte

    Proceedings of the 33rd International Joint Conference on Artificial Intelligence, IJCAI-24, Doctoral Consortium, pp. 8504-8505

    Zijn promotieplan in twee pagina's. Optimalisatiemodellen doen vaak alsof de wereld zeker is, zodat ze oplosbaar blijven. Onzekerheid die voortkomt uit ontbrekende kennis, epistemische onzekerheid, is bijzonder lastig te modelleren. Het doel: beslissingen in de praktijk robuuster maken zonder de modellen moeilijker oplosbaar te maken, met decision-focused learning als belangrijkste gereedschap.

    • Promotieplan
    • Epistemische onzekerheid
    • Enige auteur
    PDF DOI
    Citeer (BibTeX)
    @inproceedings{schutte2024optimization,
  title     = {Optimization Under Epistemic Uncertainty Using Prediction},
  author    = {Schutte, Noah},
  booktitle = {Proceedings of the Thirty-Third International Joint Conference on Artificial Intelligence, {IJCAI-24}},
  pages     = {8504--8505},
  year      = {2024},
  doi       = {10.24963/ijcai.2024/967}
}

Bronnen: IJCAI proceedings, arXiv, TU Delft. Nieuwe artikelen worden automatisch toegevoegd vanuit dblp.