本文基于对 100 个决策问题数据集的回顾，发现许多问题具有关键性质和对应的决策策略，而采用多目标优化方法能够定量地进行投资决策。作者评估了这些性质的重要程度，得到了对应问题的信息量评分，使得在关键性质的指导下，决策问题的分析复杂度显著降低。

Jan, 2023

该研究论文评估了机器学习中不确定性的现状，并尝试区分 aleatoric 和 epistemic 两种不确定性的类型。

Oct, 2019

本文调查了鲁棒优化的主要研究，无论是理论还是应用，我们的重点在于 RO 方法的计算吸引力，以及方法论的建模能力和广泛适用性，除了调查 RO 的重要理论结果外，我们还展示了一些最近的结果，将 RO 与多阶段决策问题的适应模型联系起来。最后，我们强调了 RO 在金融、统计学、学习以及各种工程领域的应用。

Oct, 2010

本文介绍了结合预测算法和优化技术来解决不确定性决策问题的上下文优化领域。文中关注单一和两阶段随机规划问题，识别了三种从数据中学习策略的主要框架，并讨论了它们的优点和局限性。

Jun, 2023

本研究提出了一种新的贝叶斯优化框架，用于考虑输入不确定性的多目标优化，包括鲁棒性的量化和搜索一个鲁棒的帕累托前沿，并通过数值基准测试证明了其有效性。

Feb, 2022

如何在设计在线算法中最佳利用不确定性量化预测，以及如何利用更一般形式的不确定性量化，提出了基于在线学习的框架来在多实例场景中学习如何充分利用不确定性量化作出最佳决策。

Oct, 2023

本文综述了决策制定中的不确定性状态，并关注走在经典解释之外的不确定性，尤其是区分了可变性不确定性和认知不确定性。作者提供了多种解决方案，包括离散和连续模型，从正式验证、控制抽象到强化学习，以优秀解法应对认知不确定性，并列举和讨论了处理丰富类型不确定性时出现的重要挑战。

Mar, 2023

研究智能系统以经济合理性解释其行为，其中包括涉及函数或效用的优化原则，最近这一理论已将约束纳入进来，即在满足某些信息处理约束的同时最大化效用。研究智能系统已从热力学工具中受益，本篇论文的目标是澄清这些结果在研究智能系统中的适用性，并改善对排序结构的分类和对能够允许这样的框架的要求的理解。

Jun, 2024

提出了一种新的统计假设检验方法来利用数据设计鲁棒优化的不确定集合，该方法灵活适用于各种领域，并且计算复杂度可行，理论和实践上都具有可靠性。操作研究领域的计算实验证明，当数据可用时，与传统的鲁棒优化技术相比，我们的数据驱动集合显著优于传统技术。

Dec, 2013

本篇论文探讨了概率数值方法，即在数值计算任务（包括线性代数、积分、优化和解决微分方程）中，如何返回计算不确定性，并提出了新算法以适应应用的特定需求，并 改善经验性能。这种方法可用于管理数值不确定性，并且可应用于现代科学和工业领域，特别是在气候科学和天文学领域的实际问题中。

Jun, 2015