Dec, 2015

基于数据驱动的带不完美信息的反优化

PDF
TL;DR本研究着重于解决不完美信息下的数据驱动逆向优化问题，将其形式化为分布鲁棒规划，最小化预测决策与真实响应之间的最坏情况风险，并证明了该方法比现有方法更为有效。
data-driveninverse optimizationdistributionally robust programsignal-response pairstractable convex programs
发现论文，激发创造
  • 通过反向多目标优化推断参数

    本文提出了一种数据驱动的逆优化模型，用于从具有噪声观测数据的决策中推断多目标决策问题的参数，并能够确定决策制定者对多个准则的偏好分布。该模型使用更复杂的逆优化公式，包括数学分析和算法，可估计关键参数、解耦和降噪的最优决策，并保证统计显著性。数值实验证实了该模型的有效性和算法的计算效率。

    Aug, 2018

  • 从数据到决策：分布鲁棒优化是最优的

    本文研究随机程序的优化问题，其中决策者不能观察到外生不确定性的分布，但可以访问此分布的有限样本。作者提出了一种元优化问题来找到最不保守的预测器和处方器，以及遵守它们的样本外失望约束。利用大偏差理论的工具，作者证明了该元优化问题有唯一解。最佳预测器 - 处方器对可以通过在距离数据的经验分布一定的相对熵距离内的所有分布上求解一个分布的鲁棒优化问题来获得。

    Apr, 2017

  • 带噪声数据的反向优化

    该研究探讨了有噪声的凸优化问题的逆优化，提出了一种新的基于对偶的重构方法和正则化方案，证明了参数估计的统计一致性结果。同时，提出了两种基于该方法的解算法，并在合成和真实数据上进行了竞争性表现。

    Jul, 2015

  • 计算理性化：逆平衡问题

    该文介绍了一种在多智能体领域应用的、基于逆优化控制、遗憾和最大熵原理的方法，用于预测与推广多智能体的行为，并恢复其奖励函数。

    Mar, 2011

  • 通过在线学习实现广义逆优化

    该论文提出了一种面向在线学习的反向优化算法框架，设计了一种隐式更新算法用于处理噪声数据，并证明其具有统计一致性。实验表明，该算法具有很高的精度和鲁棒性，并且在计算效率上比批量学习更具优势。

    Oct, 2018

  • 凸编程中基于信息的复杂性、反馈和动态

    通过反馈信息理论的视角，研究序列凸优化的内在限制。我们证明了，在优化算法中，为了获得最优解，算法必须能够积累关于目标的充分信息，这对于特定的假设和反馈类型限制了优化速度。我们的技术类似于统计学文献中用于估计程序风险的极小界，但不同之处是优化算法可以以受控方式收集观测数据。特别地，我们证明了优化算法常常遵循收益不高于成本的规律。我们利用这种方法推导了一类主动学习问题的基本下限，进一步实现了优化、实验设计、估计和主动学习中信息和量化信息之间的联系。

    Oct, 2010

  • 多信息源优化

    针对黑盒函数优化问题，本文提出了一种新算法，通过价值信息分析决策，处理了由模型差异和噪音观测所带来的不确定性，并在实验中验证了其相对其他先进技术具有更高的目标价值和更少的探索成本。

    Mar, 2016

  • 路由问题的逆优化

    通过逆向优化方法，我们提出一种学习决策者在路径规划问题中行为的方法，并在亚马逊最终里程路线研究挑战中测试了我们的方法。我们的结果展示了提出的逆向优化方法通过学习决策者在路径规划问题中的决策具有灵活性和实际潜力。

    Jul, 2023

  • 非凸目标的鲁棒优化

    在本文中，我们考虑了鲁棒优化问题，提出将鲁棒但不合适的优化简化为贝叶斯优化，并应用于神经网络训练和子模优化，最终在字符分类和网络影响力最大化的实验中进行了评价。

    Jul, 2017

  • 通过分布式稳健优化实现统一性能学习模型

    本研究提出了一种分布鲁棒的随机优化框架，利用凸形式化来解决学习模型受到数据生成分布扰动的问题，并通过多项收敛性保准来证明模型的可靠性，同时也得出了极限定理及有关泛化到未知人群、精细化认知等真实任务的证据。

    Oct, 2018