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

本文提出一种基于 Wasserstein 的分布鲁棒性优化方法，旨在通过同时应用本地和全局正则化，将原始分布与最具挑战性的分布相结合，提高模型的建模能力，解决深度神经网络在实际应用中对抗性示例和分布偏移等问题。实验结果表明，该方法在半监督学习、领域适应、领域泛化和对抗机器学习等各领域中均明显优于现有的正则化方法。

Mar, 2022

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

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

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

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

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。

Apr, 2016

本论文基于 Wasserstein 空间的球体不确定性集合，提出了用于统计学习的极小极大框架，并证明了涉及原始极大似然问题的覆盖数特性的一般化界限。 作为一个具体的例子，我们为基于传输的域自适应问题提供了推广保证，其中源域和目标域分布之间的 Wasserstein 距离可以可靠地从未标记样本中估算。

May, 2017

在对抗性环境中，考虑利用计算上高效的估计器最小化 Wasserstein 距离，并开发具有有界误差的有限样本算法，用于鲁棒性随机优化。

Jun, 2024