知识卡片：面向特征型报童问题的变量选择

以下内容基于该论文的摘要元数据生成；由于未能抓取全文，所有未经原文确认的细节均标注“待核实”。

英文标题：Variable Selection for Feature-Based Newsvendor
英文关键词：variable selection; feature-based newsvendor; ℓ0-constrained optimization; mixed-integer second-order cone programming; randomized rounding; support recovery（基于摘要提炼，待核实是否为作者原始关键词）
原始来源：https://arxiv.org/abs/2609.01544v1

一句话结论

本文研究在“最多只能使用指定数量特征”的硬性约束下，如何为特征型报童问题挑选协变量，以在库存决策中平衡持有成本与缺货成本。作者提出带 ℓ2 正则化的 ℓ0 约束报童经验风险模型，并配套精确求解、随机化近似算法与统计误差分析；实验表明，该框架能用明显更少的协变量取得有竞争力的样本外运营成本。

研究问题概述

特征型报童模型利用可观测协变量定制库存决策，但高维特征会降低可解释性，并增加数据收集与实施成本。
论文关注的问题是：在最多只能选择 K 个特征（hard cardinality constraint）的前提下，如何为报童决策做变量选择。
问题被建模为带 ℓ2 正则化的 ℓ0 约束经验报童问题。
作者、机构、发表状态等元数据暂未提供，待核实。

方法要点

计算复杂度：论文证明了该优化问题的计算困难性，但摘要未指明具体复杂度类别，待核实。
精确方法：提出混合整数二阶锥规划（MISOCP）重构，相比标准 Big-M 公式有更强的形式。
可扩展方法：
- 随机取整算法，提供双准则保证（bi-criteria guarantee），具体近似参数待核实。
- 贪心启发式。
统计理论：分析了所得稀疏策略估计器的有限样本估计误差、样本外风险界与支持恢复（support recovery）保证；具体假设条件与常数待核实。

主要结果与潜在产业意义

在合成数据与真实数据上的实验显示，不同基线在计算与统计性能之间存在权衡。
所提出的变量选择框架能够在显著减少协变量数量的同时，达到有竞争力的样本外运营成本。
潜在产业意义：若用于零售、供应链等场景的库存决策，可能降低数据采集、存储与实现成本，并提高模型可解释性；但摘要未说明具体行业应用，需全文核实。

为什么重要

该研究将“特征选择”从传统的预测精度目标，转向“库存决策质量”目标，属于决策导向的特征选择。
同时处理 ℓ0 约束带来的组合优化困难、ℓ2 正则化，并提供概率或风险保证，兼顾计算可行性与统计可解释性。

与既有脉络的关系

已有相关卡片中，Relief 类算法和聚类包装法（CSFS）主要面向预测任务中的特征选择，关注预测精度或计算成本。
本卡片的增量信息在于：立足报童库存决策的损失结构，变量选择的效果由库存持有/缺货成本而非预测误差衡量，并通过 MISOCP、随机取整和贪心启发式处理高维特征选择。该问题与前述卡片内容基本不重合。

局限与不确定性

未能抓取全文，以上内容全部基于摘要元数据，可能存在语句压缩或信息省略。
摘要未提供数据集规模、特征维度、K 的取值、基线名称、真实数据来源等细节，待核实。
英文关键词系从摘要中提炼，不一定与原文关键词完全一致，待核实。
具体计算复杂度类别、理论保证条件和实验设置均需阅读全文确认。

可用于图书/PPT/简报的角度

用“报童问题”解释决策导向的特征选择：为什么不是预测越准越好，而是决策成本越低越好。
用“ℓ0 困难到 MISOCP/启发式”的链条，展示组合优化问题在真实运营场景中的近似求解思路。
说明“特征数量更少、运营成本接近最优”的商业价值，适用于零售库存、快消品补货、供应链风险管理等讲述场景。

原始材料

论文标题：Variable Selection for Feature-Based Newsvendor
原始来源：https://arxiv.org/abs/2609.01544v1
说明：未能抓取正文，本卡片仅基于摘要元数据生成，细节待核实。