PulseAugur
中
实时 10:48:00
English(EN) Adaptive Conditional Forest Sampling for Spectral Risk Optimisation under Decision-Dependent Uncertainty

新的ACFS框架通过决策依赖不确定性改进风险优化

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个名为自适应条件森林采样（ACFS）的新框架，用于优化谱风险目标，该目标结合了预期成本和条件在险价值（CVaR）。当不确定性分布依赖于决策时，这种情况会使传统的建模和仿真方法复杂化，而ACFS方法在这种情况下特别有用。ACFS集成了多种技术，包括广义随机森林和引导式探索，以提高尾部风险估计的准确性和可靠性。在基准数据集上的评估表明，ACFS在谱风险降低和逐次运行一致性方面优于GP-BO和CEM-SO等现有方法。 AI

影响 这项研究引入了一个新颖的框架，用于改善复杂、决策依赖场景下的风险管理，可能提高AI驱动的决策系统的可靠性。

排序理由 这是一篇详细介绍风险优化新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

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

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Marcell T. Kurbucz ·

    面向决策依赖不确定性下的谱风险优化的自适应条件森林采样

    arXiv:2603.12507v2 Announce Type: replace-cross Abstract: Minimising a spectral risk objective, defined as a weighted combination of expected cost and Conditional Value-at-Risk (CVaR), is challenging when the uncertainty distribution is decision-dependent, making both surrogate m…

相关话题