使用 Wasserstein 度量的分布鲁棒优化分解算法
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
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
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
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
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
本文发展了关于 Wasserstein DRO(分布鲁棒优化问题中的一种方法)变化规则的一般理论,它是一种新形式的正则化,可以处理可能不是凸的和不光滑的损失以及非欧几里得空间上的损失。通过应用我们理论中的变化规则,我们为对抗性鲁棒学习提供了新的泛化保证。
Dec, 2017
本文提出了一种使用 Wasserstein 距离构建概率分布空间球体,并在此基础上最小化包含了经典和常见正则化逻辑回归的最坏情况期望对数损失函数的鲁棒分布逻辑回归模型,同时使用基于 Wasserstein 球的分布鲁棒方法计算分类器误分类概率的置信度上下边界。
Sep, 2015
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
考虑给定一个闭合凸不确定性集合的罚函数分布鲁棒优化 (DRO) 问题,该问题涵盖了 $f$-DRO、Wasserstein-DRO 以及在实践中使用的谱 /$L$-risk 形式,我们提出了 Drago,这是一种基于随机原始对偶算法,能在强凸 - 强凹 DRO 问题上实现最先进的线性收敛率。该方法结合了随机化和循环成分以及小批量处理,能有效处理 DRO 中原始问题和对偶问题的独特的非对称性质。我们通过分类和回归的数值基准来支持我们的理论结果。
Mar, 2024