論文の概要: Wasserstein Distributionally Robust Risk-Sensitive Estimation via Conditional Value-at-Risk

• arxiv url: http://arxiv.org/abs/2604.18546v1
• Date: Mon, 20 Apr 2026 17:39:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:53.022312
• Title: Wasserstein Distributionally Robust Risk-Sensitive Estimation via Conditional Value-at-Risk
• Title（参考訳）: 条件付き値を用いたワッサーシュタイン分布ロバストリスク感性推定
• Authors: Feras Al Taha, Eilyan Bitar,
• Abstract要約: 観測信号yからの未知信号xのリスク感度推定に対する分布論的ロバストなアプローチを提案する。 ワッサーシュタイン球の中心における名目分布が有限に支持されているとき、そのような推定器は、トラクタブル半定値プログラムを解くことで正確に計算できることを示す。 実市場データを用いて, 電力価格予測タスクにおいて提案した推定値を評価し, 既存の方法と比較して, 正方形誤差のサンプル外CVaRが低いことを示す。
• 参考スコア（独自算出の注目度）: 0.3867363075280543
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a distributionally robust approach to risk-sensitive estimation of an unknown signal x from an observed signal y. The unknown signal and observation are modeled as random vectors whose joint probability distribution is unknown, but assumed to belong to a given type-2 Wasserstein ball of distributions, termed the ambiguity set. The performance of an estimator is measured according to the conditional value-at-risk (CVaR) of the squared estimation error. Within this framework, we study the problem of computing affine estimators that minimize the worst-case CVaR over all distributions in the given ambiguity set. As our main result, we show that, when the nominal distribution at the center of the Wasserstein ball is finitely supported, such estimators can be exactly computed by solving a tractable semidefinite program. We evaluate the proposed estimators on a wholesale electricity price forecasting task using real market data and show that they deliver lower out-of-sample CVaR of squared error compared to existing methods.
• Abstract（参考訳）: 観測信号yからの未知信号xのリスク感度推定に対する分布論的ロバストなアプローチを提案する。 未知の信号と観測は、結合確率分布が不明なランダムベクトルとしてモデル化されるが、アンビグニティ集合と呼ばれる分布の与えられたタイプ2ワッサースタイン球に属すると仮定される。 この2乗推定誤差の条件値付きリスク(CVaR)に応じて推定器の性能を測定する。 本枠組みでは, 与えられたあいまいさ集合内の全ての分布に対して, 最悪ケースCVaRを最小限に抑えるアフィン推定器の問題を考察する。 主な結果として、ワッサーシュタイン球の中心における名目分布が有限に支持されているとき、そのような推定器は、トラクタブル半定値プログラムを解くことで正確に計算できることを示す。 実市場データを用いて, 電力価格予測タスクにおいて提案した推定値を評価し, 既存の方法と比較して, 正方形誤差のサンプル外CVaRが低いことを示す。

関連論文リスト

• Estimation of discrete distributions in relative entropy, and the deviations of the missing mass [3.4265828682659705]
  I.d.サンプルから有限アルファベット上の分布を推定する問題について検討する。 2つの有効空間パラメータに依存する高確率リスクを確立する。 この分析の一環として、欠落した質量に鋭い高確率上界を導出する。
  論文  参考訳（メタデータ） (2025-04-30T16:47:10Z)
• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)
• Symmetric Q-learning: Reducing Skewness of Bellman Error in Online Reinforcement Learning [55.75959755058356]
  深層強化学習では、状態や行動の質を評価するために、価値関数を推定することが不可欠である。 最近の研究では、値関数を訓練する際の誤差分布はベルマン作用素の特性のためにしばしば歪むことが示唆されている。 そこで我々は,ゼロ平均分布から発生する合成ノイズを目標値に加え,ガウス誤差分布を生成するSymmetric Q-learning法を提案する。
  論文  参考訳（メタデータ） (2024-03-12T14:49:19Z)
• Wasserstein Distributionally Robust Estimation in High Dimensions: Performance Analysis and Optimal Hyperparameter Tuning [2.4578723416255754]
  分散ロバスト最適化(DRO)は不確実性の下での見積もりの強力なフレームワークとなっている。 本稿では,DROに基づく線形回帰法を提案し,その中心的問題,すなわちロバストネス半径を最適に選択する方法を提案する。 本手法はクロスバリデーションと同じ効果を示すが,計算コストのごく一部で実現可能であることを示す。
  論文  参考訳（メタデータ） (2022-06-27T13:02:59Z)
• Robust Estimation for Nonparametric Families via Generative Adversarial Networks [92.64483100338724]
  我々は,高次元ロバストな統計問題を解くためにGAN(Generative Adversarial Networks)を設計するためのフレームワークを提供する。 我々の研究は、これらをロバスト平均推定、第二モーメント推定、ロバスト線形回帰に拡張する。 技術面では、提案したGAN損失は、スムーズで一般化されたコルモゴロフ-スミルノフ距離と見なすことができる。
  論文  参考訳（メタデータ） (2022-02-02T20:11:33Z)
• Optimal variance-reduced stochastic approximation in Banach spaces [114.8734960258221]
  可分バナッハ空間上で定義された収縮作用素の定点を推定する問題について検討する。 演算子欠陥と推定誤差の両方に対して漸近的でない境界を確立する。
  論文  参考訳（メタデータ） (2022-01-21T02:46:57Z)
• Wasserstein Generative Learning of Conditional Distribution [6.051520664893158]
  条件分布学習のためのワッサーシュタイン生成手法を提案する。 提案手法により生成された条件付きサンプリング分布の非漸近誤差境界を確立する。
  論文  参考訳（メタデータ） (2021-12-19T01:55:01Z)
• Nonparametric Estimation of the Fisher Information and Its Applications [82.00720226775964]
  本稿では,大きさn$のランダムサンプルからフィッシャー情報の位置推定の問題について考察する。 Bhattacharyaにより提案された推定器を再検討し、収束率の向上を導出する。 クリッピング推定器と呼ばれる新しい推定器を提案する。
  論文  参考訳（メタデータ） (2020-05-07T17:21:56Z)

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。