論文の概要: Decision Making under Model Misspecification: DRO with Robust Bayesian Ambiguity Sets

• arxiv url: http://arxiv.org/abs/2505.03585v1
• Date: Tue, 06 May 2025 14:46:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-07 18:50:11.434063
• Title: Decision Making under Model Misspecification: DRO with Robust Bayesian Ambiguity Sets
• Title（参考訳）: モデルミス種別に基づく意思決定:ロバストベイズアンビグニティセットを用いたDRO
• Authors: Charita Dellaporta, Patrick O'Hara, Theodoros Damoulas,
• Abstract要約: ベイジアン・アンビグニティ・セット(DRO-RoBAS)の誤用をモデル化するRobustを紹介する。 これらは、頑健な後続予測分布を中心とする最大平均離散的曖昧性集合である。 得られた最適化問題は、再生ケルネルヒルベルト空間において双対な定式化が得られることを示す。
• 参考スコア（独自算出の注目度）: 8.642152250082368
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Distributionally Robust Optimisation (DRO) protects risk-averse decision-makers by considering the worst-case risk within an ambiguity set of distributions based on the empirical distribution or a model. To further guard against finite, noisy data, model-based approaches admit Bayesian formulations that propagate uncertainty from the posterior to the decision-making problem. However, when the model is misspecified, the decision maker must stretch the ambiguity set to contain the data-generating process (DGP), leading to overly conservative decisions. We address this challenge by introducing DRO with Robust, to model misspecification, Bayesian Ambiguity Sets (DRO-RoBAS). These are Maximum Mean Discrepancy ambiguity sets centred at a robust posterior predictive distribution that incorporates beliefs about the DGP. We show that the resulting optimisation problem obtains a dual formulation in the Reproducing Kernel Hilbert Space and we give probabilistic guarantees on the tolerance level of the ambiguity set. Our method outperforms other Bayesian and empirical DRO approaches in out-of-sample performance on the Newsvendor and Portfolio problems with various cases of model misspecification.
• Abstract（参考訳）: 分散ロバスト最適化(DRO)は、経験的分布またはモデルに基づく分布のあいまいさセット内の最悪のケースリスクを考慮し、リスク回避の意思決定者を保護する。 有限でノイズの多いデータに対して、モデルに基づくアプローチは、後部から意思決定問題への不確実性を伝播するベイズ的定式化を認めている。 しかし、モデルが誤って特定されると、意思決定者はデータ生成プロセス(DGP)を含むあいまいさを延長し、過度に保守的な決定を下さなければならない。 本稿では,DROをRobustに導入し,不特定性,ベイズアンビグニティセット(DRO-RoBAS)をモデル化する。 これらは、DGPに関する信念を組み込んだ堅牢な後続予測分布を中心とする最大平均離散性曖昧性集合である。 得られた最適化問題は、再生ケルネルヒルベルト空間において双対な定式化が得られることを示し、あいまいさ集合の許容度について確率的保証を与える。 本手法は,Newsvendor問題とPortfolio問題において,モデル誤特定のさまざまなケースにおいて,ベイズ的および経験的DROアプローチよりも優れている。

関連論文リスト

• Learning from Noisy Labels via Conditional Distributionally Robust Optimization [5.85767711644773]
  クラウドソーシングは、大規模なデータセットをラベル付けするための実用的なソリューションとして現れました。 これは、様々なレベルの専門知識を持つアノテータからのノイズの多いラベルによって、正確なモデルを学習する上で大きな課題となる。
  論文  参考訳（メタデータ） (2024-11-26T05:03:26Z)
• Decision Making under the Exponential Family: Distributionally Robust Optimisation with Bayesian Ambiguity Sets [8.642152250082368]
  ベイズアンビグニティセット(DRO-BAS)を用いた分布ロバスト最適化について紹介する。 DRO-BASは、後部インフォームド曖昧性セットよりも最悪のケースリスクを最適化することで、モデルの不確実性に対してヘッジを行う。 どちらも条件下では、より効率的なシングルステージプログラムにつながる強い双対の定式化を認めていることを証明している。
  論文  参考訳（メタデータ） (2024-11-25T18:49:02Z)
• Distributionally Robust Optimization [8.750805813120898]
  DROは、不確実な問題パラメータを管理する確率分布自体が不確実であるような不確実性の下で決定問題を研究する。 DROは、あいまいさセットで最悪の分布の下で最善を尽くす決定を求める。 近年の研究では、機械学習における正規化技術と敵の訓練との深い関係が明らかにされている。
  論文  参考訳（メタデータ） (2024-11-04T19:32:24Z)
• Distributionally Robust Optimisation with Bayesian Ambiguity Sets [8.642152250082368]
  ベイズアンビグニティセット(DRO-BAS)を用いた分布ロバスト最適化について紹介する。 DRO-BASは、後部インフォームドのあいまいさセットよりも最悪のケースリスクを最適化することで、モデルの不確実性に対してヘッジを行う。 本手法は,多くの指数関数族に対して閉形式双対表現を許容することを示す。
  論文  参考訳（メタデータ） (2024-09-05T12:59:38Z)
• Model-Based Epistemic Variance of Values for Risk-Aware Policy Optimization [59.758009422067]
  モデルベース強化学習における累積報酬に対する不確実性を定量化する問題を考察する。 我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式(UBE)を提案する。 本稿では,リスク・サーキングとリスク・アバース・ポリシー最適化のいずれにも適用可能な汎用ポリシー最適化アルゴリズムQ-Uncertainty Soft Actor-Critic (QU-SAC)を導入する。
  論文  参考訳（メタデータ） (2023-12-07T15:55:58Z)
• Error-based Knockoffs Inference for Controlled Feature Selection [49.99321384855201]
  本手法では, ノックオフ特徴量, エラーベース特徴重要度統計量, ステップダウン手順を一体化して, エラーベースのノックオフ推定手法を提案する。 提案手法では回帰モデルを指定する必要はなく,理論的保証で特徴選択を処理できる。
  論文  参考訳（メタデータ） (2022-03-09T01:55:59Z)
• Distributionally Robust Bayesian Optimization with $\varphi$-divergences [45.48814080654241]
  我々は,$varphi$-divergencesにおけるデータシフトに対するロバスト性について考察する。 この設定におけるDRO-BO問題は有限次元最適化問題と等価であり、連続的な文脈でも証明可能な部分線型後悔境界で容易に実装できることを示す。
  論文  参考訳（メタデータ） (2022-03-04T04:34:52Z)
• 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)
• 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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。