Sample average approximation with heavier tails I: non-asymptotic bounds with weak assumptions and stochastic constraints
PulseAugur coverage of Sample average approximation with heavier tails I: non-asymptotic bounds with weak assumptions and stochastic constraints — every cluster mentioning Sample average approximation with heavier tails I: non-asymptotic bounds with weak assumptions and stochastic constraints across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新方法优化金融和机器学习的风险最小化
研究人员开发了一种优化确定性等价风险（OCE）的新方法，该风险概念在金融和机器学习中有应用。所提出的方法提供了将OCE与基于效用的短缺风险（UBSR）联系起来的特征，从而能够从UBSR的样本平均近似值创建OCE估计器。该研究还详细介绍了一种用于优化OCE的随机梯度算法，并附有非渐近收敛速度界限。实验证明了该算法在解决投资组合优化和不确定性量化问题方面的有效性。
-
新闻供应商问题分析推进SAA遗憾界限
本文提出了一种通用的方法来分析数据驱动的新闻供应商问题的样本平均近似（SAA）方法。作者将先前的工作从线性成本场景扩展到更一般的凸性条件，为顺序随机优化提供了统一的遗憾分析。该研究改进了上限和下限遗憾界限，确立了SAA的遗憾率最优性，并为评估数据驱动决策和库存管理中的新算法提供了基准。
-
新的保形预测编程框架解决了机会约束优化问题
研究人员推出了一种名为保形预测编程（CPP）的新框架，旨在解决机会约束优化问题。CPP 利用随机变量的样本和保形预测的核心概念分位数引理，将这些复杂问题转化为确定性问题。CPP 的一个关键优势在于其独立的校准步骤，即使在标准先验假设不满足或过于保守的情况下，也能提供稳健的、事后保证。该框架还支持各种保形预测技术，包括用于分布偏移的稳健 CPP 和用于类别条件约束的 Mondrian CPP，证明了其在案例研究中的通用性和有效性。