Fugu-MT 論文翻訳(概要): Distributionally Robust Optimization using Cost-Aware Ambiguity Sets

論文の概要: Distributionally Robust Optimization using Cost-Aware Ambiguity Sets

arxiv url: http://arxiv.org/abs/2303.09408v1
Date: Thu, 16 Mar 2023 15:41:06 GMT
ステータス: 処理完了
システム内更新日: 2023-03-17 14:53:03.063252
Title: Distributionally Robust Optimization using Cost-Aware Ambiguity Sets
Title（参考訳）: コスト対応曖昧性集合を用いた分布的ロバスト最適化
Authors: Mathijs Schuurmans and Panagiotis Patrinos
Abstract要約: 本稿では,分散ロバスト最適化(DRO)のためのあいまい性の新たなクラスを提案する。得られたDRO法は,高信頼な上限と,サンプル外予測コストの一貫した推定値の両方を提供することを示す。
参考スコア（独自算出の注目度）: 2.5527135865177177
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present a novel class of ambiguity sets for distributionally robust optimization (DRO). These ambiguity sets, called cost-aware ambiguity sets, are defined as halfspaces which depend on the cost function evaluated at an independent estimate of the optimal solution, thus excluding only those distributions that are expected to have significant impact on the obtained worst-case cost. We show that the resulting DRO method provides both a high-confidence upper bound and a consistent estimator of the out-of-sample expected cost, and demonstrate empirically that it results in less conservative solutions compared to divergence-based ambiguity sets.
Abstract（参考訳）: 本稿では,分散ロバスト最適化(DRO)のためのあいまい性の新たなクラスを提案する。これらの曖昧性集合はコスト認識曖昧性集合と呼ばれ、最適解の独立な推定で評価されるコスト関数に依存する半空間として定義される。得られたDRO法は,高信頼上界と外乱予測コストの一貫した推定器の両方を提供し,分散に基づく曖昧性集合に比べて保守的解が低いことを実証的に示す。

関連論文リスト

Statistical Properties of Robust Satisficing [5.0139295307605325]
Robust Satisficing(RS)モデルは、堅牢な最適化に対する新たなアプローチである。本稿では,RSモデルの理論的特性を包括的に解析する。実験の結果,RSモデルは小サンプル体制における基礎的経験的リスクを常に上回ることがわかった。
論文参考訳（メタデータ） (2024-05-30T19:57:28Z)
A Primal-Dual Algorithm for Faster Distributionally Robust Optimization [12.311794669976047]
本稿では,Dragoについて述べる。Dragoは,DRO問題に対して,最先端の線形収束率を実現するアルゴリズムである。分類と回帰の数値的なベンチマークで理論的結果を支持する。
論文参考訳（メタデータ） (2024-03-16T02:06:14Z)
DRAUC: An Instance-wise Distributionally Robust AUC Optimization Framework [133.26230331320963]
ROC曲線のエリア(AUC)は、長い尾の分類のシナリオにおいて広く用いられている指標である。本研究では,分散ロバストAUC(DRAUC)のインスタンスワイドサロゲート損失を提案し,その上に最適化フレームワークを構築した。
論文参考訳（メタデータ） (2023-11-06T12:15:57Z)
Smoothed $f$-Divergence Distributionally Robust Optimization [5.50764401597583]
我々は、特別な種類の分布完全ロバスト最適化(DRO)の定式化が理論的優位性をもたらすと論じる。 DROは、Wasserstein または L'evy-Prokhorov (LP) 距離で滑らかなKullback Leibler (KL) の発散に基づく曖昧性集合を用いる。
論文参考訳（メタデータ） (2023-06-24T19:22:01Z)
Robust Generalization against Photon-Limited Corruptions via Worst-Case Sharpness Minimization [89.92932924515324]
ロバスト一般化は、トレーニングセットで稀であり、厳しいノイズを含む最も困難なデータ分散に取り組むことを目的としている。分散ロバスト最適化(DRO)のような一般的なソリューションは、低いトレーニングエラーを保証するための最悪の経験的リスクに焦点を当てている。本稿では,学習パラメータの近傍における損失変化を計測し,最悪ケース分布の鋭さをペナルティ化し,シャープDROを提案する。シャープDROは、汚職に対する強力な一般化能力を示し、高い性能向上を有するよく知られたベースライン法を超えることを示す。
論文参考訳（メタデータ） (2023-03-23T07:58:48Z)
DORO: Distributional and Outlier Robust Optimization [98.44757325531631]
本稿では,分散ロバスト最適化のためのDOROのフレームワークを提案する。このアプローチのコアとなるのは、DROがオーバーフィットして潜在的な外れ値に収まらないような、洗練されたリスク関数である。提案手法の有効性を理論的に証明し, DOROがDROの性能と安定性を向上することを示す。
論文参考訳（メタデータ） (2021-06-11T02:59:54Z)
Modeling the Second Player in Distributionally Robust Optimization [90.25995710696425]
我々は、最悪のケース分布を特徴付けるために神経生成モデルを使うことを議論する。このアプローチは多くの実装と最適化の課題をもたらします。提案されたアプローチは、同等のベースラインよりも堅牢なモデルを生み出す。
論文参考訳（メタデータ） (2021-03-18T14:26:26Z)
Improving Offline Contextual Bandits with Distributional Robustness [10.310819665706294]
我々は, 対人的リスク最小化原則の凸修正を導入する。我々のアプローチは凸プログラムと互換性があり、従って大規模なデータ構造に容易に適応できる。提案手法の有効性を裏付ける予備実験結果を示す。
論文参考訳（メタデータ） (2020-11-13T09:52:16Z)
Distributional Robustness and Regularization in Reinforcement Learning [62.23012916708608]
経験値関数の新しい正規化器を導入し、ワッサーシュタイン分布のロバストな値関数を下限とすることを示す。強化学習における$textitexternalな不確実性に対処するための実用的なツールとして正規化を使用することを提案する。
論文参考訳（メタデータ） (2020-03-05T19:56:23Z)
Distributionally Robust Bayesian Optimization [121.71766171427433]
そこで本研究では,ゼロ次雑音最適化のための分散ロバストなベイズ最適化アルゴリズム(DRBO)を提案する。提案アルゴリズムは, 種々の設定において, 線形に頑健な後悔を確実に得る。提案手法は, 実世界のベンチマークと実世界のベンチマークの両方において, 頑健な性能を示す。
論文参考訳（メタデータ） (2020-02-20T22:04:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。