論文の概要: Robust Out-of-Distribution Stochastic Optimization

• arxiv url: http://arxiv.org/abs/2604.20147v1
• Date: Wed, 22 Apr 2026 03:24:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-23 15:36:10.949149
• Title: Robust Out-of-Distribution Stochastic Optimization
• Title（参考訳）: 分散確率最適化のロバストなアウトオブディストリビューション
• Authors: Xianyu Li, Huan Xu, Xiaolin Huang, Chao Shang,
• Abstract要約: 本研究では,関連データ分散を効果的に活用し,未知の分布下でのロバストな意思決定に有効に活用する新しいデータ駆動フレームワークを提案する。 我々は、関連するデータ分布からカーネル空間(RKHS)を再生する際のデータ駆動の不確実性セットを、調整可能な保守性で学習する。 分布生成の下では、不確実性集合と解に対する厳密な分布外一般化の保証を確立する。
• 参考スコア（独自算出の注目度）: 26.59660885389812
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data-driven decision-making under uncertainty typically presumes the collection of historical data from an unknown target probability distribution. However, one may have no access to any data from the target distribution prior to decision-making. To address this challenge, we propose robust out-of-distribution stochastic optimization, a novel data-driven framework that effectively utilizes relevant data distributions for robust decision-making under unseen distributions. A key feature of our framework is that all data distributions are assumed to be randomly generated from a meta-distribution over distributions. To describe uncertainty in distribution generation, we propose to learn a data-driven uncertainty set in a reproducing kernel Hilbert space (RKHS) from relevant data distributions, with adjustable conservatism. We then incorporate this set into a min-max stochastic program to derive robust decisions. Notably, under randomness of distribution generation, we establish rigorous out-of-distribution generalization guarantees for the uncertainty set as well as the solution. To ease problem-solving in RKHS, an approximate parametrization with a provably bounded suboptimality and a row generation strategy are presented. Extensive numerical experiments on multi-item newsvendor and portfolio optimization demonstrate the superior out-of-distribution performance of our decision-making framework under unseen data distribution, even when only a small or moderate number of relevant sources are available.
• Abstract（参考訳）: 不確実性の下でのデータ駆動意思決定は、典型的には未知のターゲット確率分布からの履歴データの収集を仮定する。 しかし、意思決定の前にターゲットディストリビューションからデータにアクセスできない場合もある。 この課題に対処するために,不明瞭な分布下でのロバストな意思決定のために,関連データ分布を効果的に活用する新しいデータ駆動型フレームワークである,ロバストなアウト・オブ・ディストリビューション確率最適化を提案する。 我々のフレームワークの重要な特徴は、全てのデータ分布は、分布上のメタ分布からランダムに生成されると仮定することである。 分散生成の不確実性を説明するために, 再生カーネルヒルベルト空間(RKHS)におけるデータ駆動の不確実性集合を, 調整可能な保守性を用いて, 関連データ分布から学習することを提案する。 次に、このセットをmin-max確率プログラムに組み込んで、堅牢な決定を導出する。 特に、分布生成のランダム性の下では、不確実性セットと解に対して厳密な分布外一般化を保証する。 RKHSにおける問題解決を容易にするため、証明可能な有界な準最適性と行生成戦略を有する近似パラメトリゼーションを提案する。 複数項目のニュースベンダとポートフォリオ最適化に関する大規模な数値実験により,少数あるいは中程度の資料しか入手できない場合でも,不明瞭なデータ分布下での意思決定フレームワークのアウト・オブ・ディストリビューション性能が向上することを示した。

関連論文リスト

• Distributionally Robust Optimization with Adversarial Data Contamination [49.89480853499918]
  凸リプシッツ損失関数を持つ一般化線形モデルに対するワッサーシュタイン-1 DRO 目標の最適化に焦点をあてる。 私たちの主な貢献は、データ汚染のトレーニングに対するロバストネスと分散シフトに対するロバストネスを統合した、新しいモデリングフレームワークです。 この研究は、データ汚染と分散シフトという2つの課題の下で学習するために、効率的な計算によって支援される最初の厳密な保証を確立する。
  論文  参考訳（メタデータ） (2025-07-14T18:34:10Z)
• Distributionally robust risk evaluation with an isotonic constraint [20.74502777102024]
  分布的に堅牢な学習は、不確実な分布の集合内で最悪のケースの統計性能を制御することを目的としている。 本稿では,未知のターゲット分布が推定値と異なる方法に関する事前情報を組み込んだDRLの形状制約手法を提案する。 合成データと実データの両方に関する実証研究は、提案した形状制約手法の精度の向上を実証している。
  論文  参考訳（メタデータ） (2024-07-09T13:56:34Z)
• SimPro: A Simple Probabilistic Framework Towards Realistic Long-Tailed Semi-Supervised Learning [49.94607673097326]
  ラベルなしデータの分散に関する前提を前提としない、高度に適応可能なフレームワークをSimProとして提案する。 我々のフレームワークは確率モデルに基づいており、期待最大化アルゴリズムを革新的に洗練する。 本手法は,様々なベンチマークやデータ分散シナリオにまたがる一貫した最先端性能を示す。
  論文  参考訳（メタデータ） (2024-02-21T03:39:04Z)
• Uncertainty Quantification via Stable Distribution Propagation [60.065272548502]
  本稿では,ニューラルネットワークによる安定確率分布の伝播手法を提案する。 提案手法は局所線形化に基づいており,ReLU非線型性に対する全変動距離の近似値として最適であることを示す。
  論文  参考訳（メタデータ） (2024-02-13T09:40:19Z)
• Wasserstein Distributionally Robust Optimization via Wasserstein Barycenters [10.103413548140848]
  確率分布の一定距離内にデータサンプルから構築した名目分布から,最も有害な分布下で良好に機能するデータ駆動決定を求める。 本稿では,複数の情報源からのデータサンプルの集約として,Wasserstein Barycenterという概念を用いて,分散的に頑健な最適化問題における名目分布を構築することを提案する。
  論文  参考訳（メタデータ） (2022-03-23T02:03:47Z)
• Fair Densities via Boosting the Sufficient Statistics of Exponential Families [72.34223801798422]
  フェアネスのためのデータ前処理にブースティングアルゴリズムを導入する。 私たちのアプローチは、最小限の公平性を確保しながら、より良いデータフィッティングへとシフトします。 実世界のデータに結果の質を示す実験結果が提示される。
  論文  参考訳（メタデータ） (2020-12-01T00:49:17Z)
• Learning while Respecting Privacy and Robustness to Distributional Uncertainties and Adversarial Data [66.78671826743884]
  分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。 目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。 提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
  論文  参考訳（メタデータ） (2020-07-07T18:25:25Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。