基于 GAN 方法的鲁棒效用优化

Mar, 2024

Robust Utility Optimization via a GAN Approach

Florian Krach, Josef Teichmann, Hanna Wutte

TL;DR本文提出了一种生成对抗网络方法，用于在普遍和现实环境中近似解决鲁棒效用优化问题，该方法适用于任何连续效用函数，能够在存在交易成本的实际市场环境中使用可观测市场信息进行训练，并表现出与最优参考策略相当的性能，并且对于没有已知最优策略的情况下，该方法优于所有其他参考策略。此外，该文还揭示了在具有交易成本的情况下，学习最优（非）鲁棒投资的生成方法能够生成可以广泛应用于理想化环境的渐近策略的替代选择。

Abstract

robust utility optimization enables an investor to deal with market uncertainty in a structured way, with the goal of maximizing the worst-case outcome. In this work, we propose a generative adversarial network (

robust utility optimization generative adversarial network neural networks trading costs reference strategies

发现论文，激发创造

强健的生成对抗网络

本文提出了一种通过在小的邻域内促进局部鲁棒性来提高生成对抗网络的泛化能力的方法，并在 CIFAR-10 数据集上的实验表明，该鲁棒性生成对抗网络能够显著而一致地改善五个基线模型。

Apr, 2020

一种稳健的逆优化效用学习框架

使用鲁棒的参数效用学习框架，将用户交互建模为非合作博弈，并通过集成方法扩展来提高预测性能。应用于鼓励用户节能行为的社交游戏实验中，表现出良好的性能。

Apr, 2017

风险敏感马尔可夫决策过程与普遍效用函数下的学习

在实践中，决策者经常面临着不同的风险偏好和不确定性的情况，传统的风险中性强化学习框架无法很好地捕捉到这些情况。本文提出了一种利用泛化的效用函数来解决风险敏感的强化学习问题的方法，并设计了可实现的近似算法来求解该问题。

Nov, 2023

生成对抗网络的变分不等式视角

本文提出一种将 GAN 优化问题转化为广义变分不等式的方法，并借鉴数学规划方法，通过平均，外推以及过往外推等方法，扩展了变分不等式优化技术用于 GAN 的训练。

Feb, 2018

寻找生成对抗网络的混合纳什均衡

通过无限维二人博弈的新算法框架，我们证明了混合 Nash Equilibria 上的收敛性率，最终通过简单取样程序实现了高效的算法，证明了其在速度和质量上的优越表现。

Oct, 2018

基于随机决策规则的生成对抗网络的新范式

本文提出了一种新的基于随机化决策规则的 GAN 公式，其中鉴别者收敛于一个固定点，而生成器则收敛于 Nash 均衡下的分布，通过随机梯度 Markov 链蒙特卡罗算法以及相应的模拟方法，得到了一种有效的支撑算法。

Jun, 2023

GANs 可能没有纳什均衡

本论文研究了生成对抗网络在最小极大博弈中存在的纳什均衡问题，提出了一种新的基于近端算子的目标函数来获得用于训练生成网络的近端均衡点，称为近端训练，并进行了数值实验。

Feb, 2020

鲁棒性条件生成对抗网络

该研究介绍了一种名为 RoCGAN 的新型条件 GAN 模型，该模型在图像生成的任务中表现优异，并在面临严重噪声的情况下使生成器输出的图像更接近目标空间，实验结果表明，RoCGAN 在各种领域的表现都远优于现有的最先进的 cGAN 架构。

May, 2018

无穷维空间下极小极大优化问题的收敛性及对抗性训练的稳定性

通过对无监督领域适应和生成对抗网络进行功能分析，本研究理论上解决了激烈优化所带来的不稳定性问题，展示了梯度下降法在连续函数和概率测度的无穷维空间中对极小极大问题的收敛特性，并讨论了生成对抗网络和无监督领域适应的相关条件及稳定化技术。

Dec, 2023

基于最小极大遗憾的广义可加效用引出

在该研究中，我们使用最小化最大后悔标准描述了提取广义加性独立效用的语义基础，并提出了若干新的查询类型和策略；通过利用模型中的局部 GAI 结构，实现了计算可行性；所得结果提供了实现基于偏好的受限配置优化以及在多属性产品数据库中进行有效搜索的实用方法。

Jun, 2012