异常值鲁棒的Wasserstein DRO
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
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
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
本文研究了在数据中存在离群值或异常值的情况下，如何使用中位数方法来估计Wasserstein判别器的最优输运距离，探讨了使用MoM估计器来提高WGAN的鲁棒性，并在CIFAR10和Fashion MNIST数据集上进行了实证研究。
Jun, 2020
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
本文研究了切片瓦瑟斯坦距离在不同方面的可扩展性，包括实证收敛性、数据污染下的鲁棒性、以及高效的计算方法，并提出了用于切片瓦瑟斯坦距离常数维度的快速率。同时，本文研究了蒙特卡洛估计器和局部优化算法等方面，验证了理论研究结果。
Oct, 2022
本研究表明，Wasserstein分布鲁棒估计器的推广保证其可适用于一般模型类，并且不会受到维度诅咒，甚至可以涵盖测试中的分布偏移，这些结果可以延伸到新引入的Wasserstein分布性机器学习问题的正则化版本。
May, 2023
对于图像识别任务，深度神经网络易受到针对性攻击，本文使用Wasserstein分布鲁棒优化技术重新构建问题模型，并提出了新的攻击算法，包括FGSM和PGD，并给出了对分布威胁模型的渐进估计。
Jun, 2023
通过使用辅助数据集，例如合成数据集、外部数据集或域外数据集，我们研究了对抗攻击下逻辑回归的分布鲁棒化问题，并展示该方法相对于基准方法在真实数据集上的持续优势。
Jul, 2024