論文の概要: Optimal Model Selection for Conformalized Robust Optimization

• arxiv url: http://arxiv.org/abs/2507.04716v1
• Date: Mon, 07 Jul 2025 07:14:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.308863
• Title: Optimal Model Selection for Conformalized Robust Optimization
• Title（参考訳）: 等角化ロバスト最適化のための最適モデル選択
• Authors: Yajie Bao, Yang Hu, Haojie Ren, Peng Zhao, Changliang Zou,
• Abstract要約: 不確実性のある意思決定において、コンテキストロバスト最適化は、予測セットに対する最悪の決定損失を最小限にして信頼性を提供する。 本稿では,決定リスクの最小化とロバスト性制御を統一するCROのための新しいモデル選択フレームワークを提案する。 数値解析の結果、様々な合成および実世界のアプリケーションにおいて、決定効率とロバスト性に大きな改善が見られた。
• 参考スコア（独自算出の注目度）: 11.328656843763014
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In decision-making under uncertainty, Contextual Robust Optimization (CRO) provides reliability by minimizing the worst-case decision loss over a prediction set, hedging against label variability. While recent advances use conformal prediction to construct prediction sets for machine learning models, the downstream decisions critically depend on model selection. This paper introduces novel model selection frameworks for CRO that unify robustness control with decision risk minimization. We first propose Conformalized Robust Optimization with Model Selection (CROMS), which automatically selects models to approximately minimize the average decision risk in CRO solutions. We develop two algorithms: E-CROMS, which is computationally efficient, and F-CROMS, which enjoys a marginal robustness guarantee in finite samples. Further, we introduce Conformalized Robust Optimization with Individualized Model Selection (CROiMS), which performs individualized model selection by minimizing the conditional decision risk given the covariate of test data. This framework advances conformal prediction methodology by enabling covariate-aware model selection. Theoretically, CROiMS achieves asymptotic conditional robustness and decision efficiency under mild assumptions. Numerical results demonstrate significant improvements in decision efficiency and robustness across diverse synthetic and real-world applications, outperforming baseline approaches.
• Abstract（参考訳）: 不確実性のある意思決定において、コンテキストロバスト最適化(CRO)は、予測セットに対する最悪の決定損失を最小限に抑え、ラベルの変動に対抗して信頼性を提供する。 最近の進歩では、機械学習モデルのための予測セットを構築するために共形予測を使用しているが、下流の決定はモデル選択に決定的に依存する。 本稿では,決定リスクの最小化とロバスト性制御を統一するCROのための新しいモデル選択フレームワークを提案する。 まず,モデル選択を用いたコンフォーマル化ロバスト最適化(CROMS)を提案する。 計算効率のよいE-CROMSと、有限標本における限界ロバスト性を保証するF-CROMSの2つのアルゴリズムを開発した。 さらに,テストデータの共変量に応じて条件決定リスクを最小化し,個別化モデル選択を行うコンフォーマル化ロバスト最適化(CROiMS)を導入する。 この枠組みは共変量を考慮したモデル選択を可能にすることで共形予測手法を推し進める。 理論的には、CROiMSは穏やかな仮定の下で漸近的条件付き堅牢性と決定効率を達成する。 数値解析の結果, 多様な合成および実世界のアプリケーションにおいて, 決定効率とロバスト性が大きく向上し, ベースラインアプローチよりも優れていた。

関連論文リスト

• A Principled Approach to Randomized Selection under Uncertainty: Applications to Peer Review and Grant Funding [68.43987626137512]
  本稿では,各項目の品質の間隔推定に基づくランダム化意思決定の枠組みを提案する。 最適化に基づく最適化手法であるMERITを導入する。 MERITが既存のアプローチで保証されていない望ましい公理特性を満たすことを証明している。
  論文  参考訳（メタデータ） (2025-06-23T19:59:30Z)
• An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
  まず最適化モデルを構築し,非単調な選好をモデル化する。 本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。 2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
  論文  参考訳（メタデータ） (2024-09-04T14:36:20Z)
• End-to-end Conditional Robust Optimization [6.363653898208231]
  条件付きロバスト最適化(CRO)は、不確実な定量化と堅牢な最適化を組み合わせることで、高利得アプリケーションの安全性と信頼性を促進する。 本稿では,CROモデルの学習方法として,所定の決定の実証的リスクと,それをサポートする文脈不確実性セットの条件付きカバレッジの質の両方を考慮に入れた,新しいエンドツーエンドアプローチを提案する。 提案したトレーニングアルゴリズムは,従来の推定値を上回って,アプローチを最適化する決定を生成する。
  論文  参考訳（メタデータ） (2024-03-07T17:16:59Z)
• Data-driven decision-focused surrogate modeling [10.1947610432159]
  本稿では,実時間設定における非線形最適化問題の解決を目的とした,意思決定中心の代理モデルの概念を紹介する。 提案したデータ駆動フレームワークは、決定予測エラーを最小限に抑えるためにトレーニングされた、よりシンプルな、例えば凸(convex)、代理最適化モデル(surrogate optimization model)を学ぶことを目指している。 我々は、一般的な非線形化学プロセスの最適化を含む数値実験を通して、我々の枠組みを検証する。
  論文  参考訳（メタデータ） (2023-08-23T14:23:26Z)
• 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)
• Sample Complexity of Robust Reinforcement Learning with a Generative Model [0.0]
  本稿では,モデルに基づく強化学習(RL)アルゴリズムを提案する。 我々は,全変動距離,カイ二乗発散,KL発散の3種類の不確実性集合を考察した。 この結果に加えて,ロバストポリシの利点に関する公式な分析的議論も提示する。
  論文  参考訳（メタデータ） (2021-12-02T18:55:51Z)
• 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)
• Control as Hybrid Inference [62.997667081978825]
  本稿では、反復推論と償却推論のバランスを自然に仲介するCHIの実装について述べる。 連続的な制御ベンチマークでアルゴリズムのスケーラビリティを検証し、強力なモデルフリーおよびモデルベースラインを上回る性能を示す。
  論文  参考訳（メタデータ） (2020-07-11T19:44:09Z)

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。