新的GDRO框架增强了用于鲁棒优化的生成模型

研究人员引入了生成式分布鲁棒优化（GDRO），这是一个用于分布鲁棒优化中生成模型的新框架。GDRO通过允许任何可采样的条件生成器，同时将最坏情况定律限制在特定的生成器家族内，从而解决了现有方法的局限性。这是通过采样器-Sinkhorn配对实现的，它允许在不需要似然访问的情况下比较诱导分布，并仅从样本进行估计。与名义决策相比，该框架已在稀有上下文库存遗憾方面显示出60%的减少，在SocialGAN导航碰撞方面显示出50%的减少。 AI

影响 该框架有望提高生成模型在需要不确定性下鲁棒决策的应用中的可靠性和性能。

排序理由 该集群包含一篇详细介绍新优化框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• CORE Recommender
• DagsHub
• Generative Distributionally Robust Optimization
• Hugging Face
• IArxiv Recommender
• Jonathan Yu-Meng Li
• Sinkhorn divergence
• SocialGAN

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →