从概率学的角度实现CO层，有助于构建近似微分和结构化损失函数。机器学习(ML)和组合优化(CO)是现代工业流程的两个重要组成部分。ML方法能从嘈杂的数据中提取有意义的信息，而CO可以在高维受限环境中做出决策。在许多情况下，我们希望将这两种工具结合使用，例如从数据中生成预测，然后使用这些预测做出优化决策。因此，混合ML-COpipeline成为一个新兴的研究方向。然而这里存在两个问题。首先，CO问题的解通常表现为其目标参数的分段常函数，而MLpipeline通常使用随机梯度下降进行训练，因此斜率是非常关键的。其次，标准的ML损失在组合环境中效果不佳。此外，组合优化层（CO层）往往缺乏良好的实现
