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
-
LapDDPM模型通过鲁棒的流形学习增强单细胞数据生成
研究人员开发了LapDDPM，一种新的条件图扩散概率模型，旨在生成高保真度的合成单细胞RNA测序数据。该模型集成了基于图的归纳偏置和基于分数的生成模型，并包含一种新颖的谱对抗扰动机制。该机制充当分布鲁棒优化框架，增强了对细胞数据中技术噪声和结构变异的鲁棒性。LapDDPM还已扩展到处理空间转录组学和多模态数据，在各种数据集的分布匹配和流形保持方面表现优于现有方法。
-
保形预测与DRO统一用于不确定性量化
研究人员开发了一个统一的概率框架，将保形预测（CP）和分布鲁棒优化（DRO）联系起来用于不确定性量化。这种新视角将这两种方法都视为从有限校准数据中推导出数据依赖型分位数估计器的方式。虽然CP调整分位数水平，DRO移动分位数数值，但它们的构建方式不同，导致行为各异，尤其是在分数分布的尾部。
-
新论文分析分布变化下的鲁棒学习
研究人员发表了一篇论文，详细介绍了鲁棒学习框架（特别是分布鲁棒优化 (DRO) 和鲁棒满意度 (RS)）在应用于经历分布变化的数据时的统计特性。该研究推导了目标环境中这两种方法的有限样本泛化误差界限，突出了鲁棒性与正则化惩罚之间的权衡。当有部分分布变化信息可用时，该论文还提出了 DRO 和 RS 的信息导向超参数校准，表明这两种方法之间存在互补行为。这些发现被应用于网络批量定价问题，以解释对需求分布变化的策略响应。
-
新研究探索使用Wasserstein度量进行鲁棒分布学习 · 跟踪3个来源
三篇新研究论文探讨了使用Wasserstein度量进行鲁棒分布学习和在线优化的先进方法。第一篇论文介绍了Wasserstein Filtering (WF)，用于识别和移除受污染的样本以进行更准确的分布估计，并用扩散模型证明了其有效性。第二篇论文提出了Huber-Wasserstein中心点，一种用于分布值数据的鲁棒方法，它在均值和中值行为之间进行插值，并提供了强大的理论保证。第三篇论文提出了一个用于风险规避型Wasserstein分…
-
新研究探讨数据驱动优化中的一阶统计收益
一篇题为“在数据驱动优化中实现一阶统计改进：从无免费午餐到增强决策扰动”的新研究论文探讨了提高数据驱动优化统计性能的方法。该论文认为，在没有特定侧面信息的情况下，许多现有技术（如正则化和迁移学习）只能取得有限的改进。然而，它证明了通过利用几何上有效的侧面信息和调整超参数，可以实现一阶改进。该研究还提出了一种使用超额风险估计来最大化这些收益的方法，并将其与蒙特卡洛模拟中的方差缩减技术进行了类比。
-
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。