异常值鲁棒的 Wasserstein DRO
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
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
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
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
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
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
提出了一种名为 DORO 的分布与离群点鲁棒优化框架,其中核心在于改进的风险函数,可以解决分布变化和离群点的问题,从而提高了机器学习的性能和稳定性。该方法有助于提升现代大型数据集的实验结果。
Jun, 2021
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