使用随机优势建立学习的通用框架，包括了对不确定性决策的风险厌恶偏好，并在各种应用中展示了与标准风险中性策略性能相当且在风险方面取得更好的平衡的结果。

Feb, 2024

本文研究了基于经验似然和分布鲁棒解的方法进行随机优化问题的统计推断，特别关注最优值的置信区间和渐近达到精确覆盖的解决方案。我们提出了一个基于非参数 $f$- 分歧球构建的分布不确定性集合的广义经验似然框架，用于 Hadamard 可微函数和随机优化问题，从而提供了一个有原则的选择分布不确定性区域大小的方法，以实现达到精确覆盖的单侧和双侧置信区间。我们还给出了我们分布鲁棒的公式的渐近展开，表明如何通过方差来规范化问题。最后，我们证明了，我们研究的分布鲁棒公式的优化器具有与经典样本平均逼近中的优化器基本相同的一致性属性。我们的一般方法适用于快速混合的平稳序列，包括几何上遗传的 Harris 递归马尔科夫链。

Oct, 2016

利用 Optimal Transport 的平滑成本框架，基于随机优势的多变量统计量及其经验统计量的中心极限定理和一致性提出了一种假设检验框架，并展示了多变量随机优势测试在评估多指标的大型语言模型性能和决策中的应用。

Jun, 2024

本文采用一种新方法，通过估计随机优化器的稳态分布，从多条优化轨迹的集合中综合评估，旨在解决当前对深度学习优化算法有效性的理解不完整的问题。通过合成函数和计算机视觉、自然语言处理等领域的实际问题的评估，我们着重在统计框架下进行公平的基准测试和建立统计显著性，揭示了训练损失与保持精确度之间的关系以及 SGD、噪声使能变体和利用 BH 框架的新优化器的可比性能，值得注意的是，这些算法展示了与 SAM 等平坦最小值优化器相当的性能，但梯度评估减少了一半。我们期待我们的工作将促进深度学习优化的进一步探索，鼓励从单模型方法转向更加认识和利用优化器的随机性质的方法。

Mar, 2024

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

本文提出了一种端到端的方法来学习概率机器学习模型，以便在随机编程的上下文中直接捕获它们将要使用的最终基于任务的目标，我们在经典库存问题，实际电力调度任务和实际能源存储套利任务中验证了该方法的有效性。

Mar, 2017

本文介绍了一种参数化确定性优化模型的方法，以代替在解决多阶段随机规划问题时繁琐的随机或动态规划方法，该方法可以有效地处理不确定性，并用非定常储能问题和滚动预测演示了其应用。

Jan, 2022

为了在随机优化中实现端对端学习，我们发展了一种基于贝叶斯解释的算法，并提出了一种训练决策映射的全新算法，用于输出经验风险最小化和分布式鲁棒优化问题的解决方案。通过对合成售货员问题和基于真实数据的经济调度问题进行数值实验，阐明了替代培训方案之间的关键差异以及决策映射的神经网络架构对测试性能的影响。

Jun, 2023

本文的研究内容是针对随机优化问题中在决策变量变化时数据分布的变化所导致的问题提出了解决方案，即通过基于静态分布的最优决策来解决。同时，为了提高算法效率，研究者将典型的随机优化算法应用在了这种问题上，并提供了收敛性保证和性能评估，最终提出了增加算法效率、减少决策规则代价的改进方法。

Nov, 2020

本文针对随机凸优化问题，提出了局部复杂度度量，并给出了与优化固有几何概念相对应的统计难度的收敛结果。基于 Nesterov 的对偶平均方法和 Riemannian 方法，开发出完全在线的适应性最优收敛算法，实现了函数特定的下界和收敛结果，并对约束鉴别和线性约束与非线性约束等方面做了探讨。

Dec, 2016