Distributionally Robust Optimization
PulseAugur coverage of Distributionally Robust Optimization — every cluster mentioning Distributionally Robust Optimization across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新框架优化 AI 生成场景，实现鲁棒电网调度
研究人员开发了一种新的面向决策的生成框架，用于在配电鲁棒优化 (DRO) 中为电力系统调度创建相关场景。该方法根据生成场景对下游运营成本的影响进行优化，而不是仅仅关注拟合历史数据。该框架可适应各种生成模型，如 VAE、GAN 和扩散模型，并包含一个可微分的场景选择器以提高计算效率。案例研究表明，与传统的面向准确性的技术相比，该方法可将运营成本降低 0.80%-2.02%。
-
新研究探讨 Wasserstein DRO 在风险敏感估计和遗憾优化中的应用
两篇新研究论文探讨了 Wasserstein 分布鲁棒优化 (DRO) 在不同机器学习背景下的应用。第一篇论文介绍了一种使用 Wasserstein 球和条件在险价值 (CVaR) 进行风险敏感估计的方法，并展示了其在电力价格预测中的有效性。第二篇论文侧重于 Wasserstein 模糊集中的遗憾优化，提出了一个理论和算法，以在计算 NP-hard 的复杂场景中平衡鲁棒性与潜在收益。
-
新SCENT算法改进了熵风险最小化的优化
研究人员开发了一种名为SCENT的新算法，用于组合熵风险最小化，这是一种涉及对数期望指数函数的公式化问题。现有方法在处理此类优化问题时存在不收敛和收敛速度慢等问题。SCENT采用随机近镜像下降更新，研究人员声称其相比标准SGD具有理论优势。该算法在极端分类、部分AUC最大化、对比学习和分布鲁棒优化等应用中已显示出实证有效性，优于现有基线。
-
新的安全 KL 散度改进 LogSumExp 优化
研究人员开发了一种 LogSumExp 函数的新颖近似方法，该函数对于熵正则化最优传输和分布鲁棒优化等优化问题至关重要。这种新的近似方法，称为安全 KL 散度，保持了凸性和光滑性，从而可以使用随机梯度方法进行高效优化。实验和理论分析表明，这种方法在基于 LogSumExp 的随机优化方面优于现有方法。
-
新框架支持AI代理的概率验证
研究人员开发了一个新的框架，用于验证具有概率策略的AI代理，解决了现有确定性方法的局限性。该方法基于分布鲁棒优化，即使在谓词相关性未知的情况下，也能计算策略违反概率的上限。该框架在终端代理和工具调用代理的基准测试中得到验证，显示出改进的安全-实用性权衡，并且优于先前的方法。
-
新的 DRO 框架增强了数据污染下的决策能力
研究人员开发了一个名为批量校准的 Credal 模糊集的新框架，以改进分布鲁棒优化 (DRO) 中样本外污染下的决策。该方法从数据中学习一个高质量的批量集，同时单独限制尾部污染，从而得到一个闭式、有限的目标函数，可以使用可处理的线性或二阶锥规划进行优化。在库存控制和文本分类等各种任务上的实验表明，该方法在鲁棒性-准确性权衡方面具有竞争力，并且优化时间效率高。
-
新框架统一并优化鲁棒监督学习方法
研究人员开发了一个统一的鲁棒监督学习框架，该框架结合了分布鲁棒优化和Mixup等多种现有方法。这种新方法沿着三个设计轴组织这些技术，从而实现了一个可处理的训练过程，可以依次解决多种故障模式。通过实现联合超参数优化，这种统一的方法可以配置针对特定任务的鲁棒性策略，在表格、图像和奖励建模基准测试中都表现出竞争力。
-
新框架应对代理不确定性下的轨迹规划
研究人员开发了一个新的交互式轨迹规划框架，该框架考虑了其他代理决策中的不确定性。该方法结合了 Probably Approximately Correct (PAC) 学习和分布鲁棒 (DR) 优化，创建了一个能够解决由学习到的决策分布引入的错误的解决方案。结果 PAC 学习的 DR-MPC 框架可以根据可用数据的量，在鲁棒模型预测控制和全知随机模型预测控制之间进行有效插值。