随机系统的鲁棒性灵敏度分析
本文提出了一种新颖的敏感性分析方法,针对参数健壮的马尔可夫链,基于概率分布,对转移概率的偏导数进行度量,并提出了高效的方法来计算这些偏导数,同时展示了一个扩展方法来选择具有最大偏导数的 k 个参数,该方法基于线性规划并绕过参数值计算这些程序的不同部分。实验表明,该方法具有扩展性和应用性,适用于具有数百万状态和数千参数的模型,并应用于从敏感性分析中获取迭代学习方案中的收益。
May, 2023
本文综述了近期不同领域取得的进展,以解决基于概率模型进行的预测决策可能受到模型错误规定的影响。我们回顾了诊断技术,并提出了决策分析的形式化方法,特别是在模型错误规定的情况下。我们采用贝叶斯方法,以模型空间中模型扰动的稳定性量化模型错误规定下的最优决策,这已被应用于鲁棒控制、宏观经济学和金融数学领域。
Feb, 2014
本文提出了一种边际灵敏度模型,使用逆概率权重估计器构建置信区间,通过百分位自助法和广义极小 / 极大不等式来将这个难以处理的问题转化为线性分数规划问题,这个方法可以很有效地解决实际问题。
Nov, 2017
研究离散时间随机控制问题的连续性特性和最优控制策略的鲁棒性,在考虑测量模型及转移核函数的连续性等条件下,证明了最优成本可在弱收敛下实现连续性,且总变异下的预计诱发成本是鲁棒的,对基于经验学习的随机控制领域有积极意义。
Mar, 2018
本文研究了基于经验似然和分布鲁棒解的方法进行随机优化问题的统计推断,特别关注最优值的置信区间和渐近达到精确覆盖的解决方案。我们提出了一个基于非参数 $f$- 分歧球构建的分布不确定性集合的广义经验似然框架,用于 Hadamard 可微函数和随机优化问题,从而提供了一个有原则的选择分布不确定性区域大小的方法,以实现达到精确覆盖的单侧和双侧置信区间。我们还给出了我们分布鲁棒的公式的渐近展开,表明如何通过方差来规范化问题。最后,我们证明了,我们研究的分布鲁棒公式的优化器具有与经典样本平均逼近中的优化器基本相同的一致性属性。我们的一般方法适用于快速混合的平稳序列,包括几何上遗传的 Harris 递归马尔科夫链。
Oct, 2016
本文针对随机凸优化问题,提出了局部复杂度度量,并给出了与优化固有几何概念相对应的统计难度的收敛结果。基于 Nesterov 的对偶平均方法和 Riemannian 方法,开发出完全在线的适应性最优收敛算法,实现了函数特定的下界和收敛结果,并对约束鉴别和线性约束与非线性约束等方面做了探讨。
Dec, 2016
本文扩展了贝叶斯网络中敏感性分析的先前工作,通过提出一种多参数的方法来帮助理解对单参数变化的查询的敏感性,并找到使得当前概率分布受扰动最小的最优解,同时阐述了新技术在开发和调试贝叶斯网络及价值(可靠性)的推理等方面的应用。
Jul, 2012
本文提供了一种新颖的计算机辅助技术,用于系统地分析面向优化的一阶方法,并且与以往的工作相比,该方法特别适用于处理次线性收敛率和随机预言机。该技术依赖于半定规划和潜力函数,并允许同时获得算法行为的最坏情况保证,并帮助选择适当的参数以调整其最坏情况表现。
Feb, 2019