Apr, 2016

具有 Wasserstein 距离的分布鲁棒随机优化

PDF
TL;DR本文对于分布鲁棒随机优化问题提出了一种新方法：使用 Wasserstein 距离来确定最坏情况下的期望，并通过拟合最优对偶解得到最坏分布，这一方法可以用于控制和估计点过程的强对偶结果。
distributionally robust stochastic optimizationwasserstein distanceworst-case distributionrobust optimizationpoint processes
发现论文，激发创造
  • 具有相关结构的分布鲁棒性随机优化

    本文研究了在不确定情况下基于一组概率分布找到表现良好解的分布鲁棒随机优化问题。在两部分中，分别考虑线性依赖和排序依赖的分布情况，提出了包含这些依赖项的新形式的双重优化。实验结果表明，新形式相对于传统的基于单侧矩阵的分布鲁棒随机优化有更好的性能。

    Jan, 2017

  • 具原则的学习方法：带有局部扰动的 Wasserstein 分布鲁棒优化

    本文提出了一种基于新近估算定理的 WDRO（Wasserstein 分布鲁棒优化）最小化器，通过实现该最小化器及提供相应的风险一致性结果，发现该方法成功应用于本地扰动数据的 WDRO 推断，同时对噪声数据如图像分类数据集表现出鲁棒性优异的效果。

    Jun, 2020

  • 异常值鲁棒的 Wasserstein DRO

    给定一个研究论文，提取 5 个关键词，准确地代表其主要主题和研究领域。然后，用一句简明扼要的中文句子概括该论文。

    Nov, 2023

  • Wasserstein 分布鲁棒优化：机器学习中的理论和应用

    此论文介绍了基于 Wasserstein 分布鲁棒优化的数据驱动决策方法，能够解决样本有限、参数不确定的情况下，采用仅仅通过数据学习决策的问题，绕过测试样本不能涵盖所有情况的问题，具有良好的效果且容易计算。此方法对于分类、回归等基本学习任务有很好启示作用。

    Aug, 2019

  • 基于 Wasserstein 距离的分布鲁棒策略学习

    研究了采用分布鲁棒优化方法（distributionally robust optimization，DRO）来推断个性化治疗规则（individualized treatment rules，ITRs）的估计器在新设置中的应用，包括 Wasserstein distance-based ambiguity characterizations 和其在目标人群中的理论表现的评估。这个方法在目标人群中优于传统的策略。

    May, 2022

  • 方差减少的极大 - 极小优化算法实现快速分布式鲁棒学习

    本文提出了一种可扩展的、可实现的随机额外梯度算法，用于解决 Wasserstein DRSL 框架下的分类问题，该算法采用方差缩减和随机重排，可达到更快的收敛速率，并在合成和真实数据上证明了其有效性。

    Apr, 2021

  • 基于 Wasserstein 分配鲁棒性的上下文强化学习策略评估与学习

    提出了一种利用 Wasserstein 距离的分布鲁棒优化方法，用于解决环境不匹配的问题，并提供了理论分析和实证验证。

    Sep, 2023

  • 使用 Wasserstein 度量的分布鲁棒优化分解算法

    本文研究了基于 Wasserstein 距离的分布鲁棒优化问题，将其归约为半无限规划问题，并提供了求解非线性模型的交换算法和凸情况下基于分离预言的中心割面算法，通过对分布鲁棒广义 logistic 回归模型的数字实验表明，该算法无论是在预测精度上还是在标准误差方面都表现得更好。

    Apr, 2017

  • 基于流量的分布鲁棒优化

    我们提出了一种计算效率高的框架，称为 FlowDRO，用于解决基于流的分布鲁棒优化（DRO）问题，该框架利用 Wasserstein 不确定性集，并要求最差情况分布（也称为最不利分布，LFD）连续，从而使该算法能够在具有更大样本量的问题中进行扩展，并为引入的鲁棒算法提供更好的泛化能力。

    Oct, 2023

  • 基于 Wasserstein 距离的数据驱动分布鲁棒优化：性能保证和可行重构

    研究使用 Wasserstein metric 中有限训练数据集，构建球形分布空间来解决分布鲁棒优化问题，并阐述其在投资组合优化和不确定性量化等领域的实用性和性能保证。

    May, 2015