論文の概要: Learning Predictive Ambiguity Sets for Decision-Focused Distributionally Robust Optimization

• arxiv url: http://arxiv.org/abs/2607.09820v1
• Date: Fri, 10 Jul 2026 07:48:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.207774
• Title: Learning Predictive Ambiguity Sets for Decision-Focused Distributionally Robust Optimization
• Title（参考訳）: 離散分布ロバスト最適化のための予測的曖昧性集合の学習
• Abstract要約: 経験的予測曖昧性集合(LPAS)を提案する。 文脈曖昧性セットは、DRO決定層をフィードする。 提案手法は, 等重量, 予測最適化, 歴史的ワッサーシュタインDROベースラインを大幅に改善する。
• 参考スコア（独自算出の注目度）: 4.950717258701029
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predict-then-optimize systems usually compress uncertainty into a point forecast and then solve a downstream optimization problem as if the forecast were reliable. Distributionally robust optimization (DRO) offers protection against misspecification, but the ambiguity set is often centered at historical samples and uses a fixed radius. We propose \emph{learned predictive ambiguity sets} (LPAS): a deep contextual model outputs a finite nominal scenario distribution, a state-dependent Wasserstein radius, and optionally an anisotropic ground metric. These outputs define a contextual ambiguity set that feeds a DRO decision layer. The radius is trained by a combination of conditional quantile calibration, size regularization, and downstream decision loss, so that robustness is adaptive rather than globally fixed. We derive the finite dual form used by the decision layer, present a staged training algorithm, and evaluate the method on distributionally robust portfolio optimization with 20 S&P 500 constituents from 2018--2026. The proposed method substantially improves over equal-weight, predict-then-optimize, and historical Wasserstein DRO baselines, achieving 26.28% annualized return, Sharpe ratio 1.30, final wealth 1.61, and lower tail loss than a deep fixed-radius DRO baseline while using a smaller average radius. The results show that learned ambiguity radii can recover most of the performance of strong fixed-radius DRO while reducing unnecessary conservatism and improving regime adaptivity.
• Abstract（参考訳）: 予測を最適化するシステムは、通常不確実性をポイント予測に圧縮し、その予測が信頼できるかのように下流最適化問題を解決する。 分布的ロバスト最適化(DRO)は、不特定性に対する保護を提供するが、曖昧性セットは、しばしば歴史的なサンプルを中心に、固定半径を使用する。 深層文脈モデルでは,有限な特異なシナリオ分布,状態依存ワッサーシュタイン半径,任意に異方性基底距離を出力する。 これらの出力は、DRO決定層をフィードする文脈的曖昧性セットを定義する。 半径は条件付き量子的キャリブレーション、サイズ正規化、下流決定損失の組み合わせで訓練されるため、ロバスト性は世界規模で固定されるよりも適応的である。 決定層で用いられる有限双対形式を導出し、段階的学習アルゴリズムを示し、2018年から2026年までの20のS&P500構成成分を用いた分散ロバストなポートフォリオ最適化法を評価する。 提案手法は, 平均半径を小さくしながら, 毎年26.28%のリターン, シャープ比1.30, 最終富1.61, テール損失を低減し, 等重量, 予測・最適化, 歴史的ワッサースタインDROベースラインを大幅に改善する。 その結果, 学習したあいまいさは, 強い固定基数DROの性能を回復し, 不要な保存性を低減し, 適応性を向上させることができた。

関連論文リスト

• A Unified Perspective on Conformal Prediction and Wasserstein Distributionally Robust Optimization for Uncertainty Quantification [8.298172883321103]
  有限データの不確実性は、機械学習、最適化、自動化システムの中心である。 コンフォーマル予測(CP)と分散ロバスト最適化(DRO)に関する統一確率論的視点を開発する。 CP は閉形式の分布自由度補正を使用し、DRO は未知の分布の性質に依存する値空間補正を用いる。
  論文  参考訳（メタデータ） (2026-08-30T13:34:39Z)
• Aligning Data-Driven Predictors with Allocation: A Decision-Focused Approach to Survival Analysis [52.10284705210197]
  機械学習予測器は、アロケーションに使用する場合、任意に貧弱な結果が得られることを示す。 正規化割引累積ゲイン(NDCG)の最適化に基づく意思決定型学習手法を提案する。 既存の生存モデルのNDCGを最適化するためのブートストラップ手法を提案する。
  論文  参考訳（メタデータ） (2026-06-01T12:03:22Z)
• DARC: Disagreement-Aware Alignment via Risk-Constrained Decoding [59.16244104797919]
  本稿では,リスク制約付き復号法(DARC)*による分散アライメント(Disagreement-Aware Alignment)を提案する。 DARCは応答選択を、分布的に堅牢で、リスクに敏感な意思決定として捉えている。 アライメントベンチマークの実験では、DARCは競合平均品質を維持しながら、不一致と尾のリスクを低減する。
  論文  参考訳（メタデータ） (2026-03-09T09:21:29Z)
• ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
  ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。 我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-02-27T05:22:01Z)
• Contextual Distributionally Robust Optimization with Causal and Continuous Structure: An Interpretable and Tractable Approach [2.8445258546547625]
  文脈分布ロバスト最適化(DRO)のためのフレームワークを提案する。 まず, エントロピー規則化因果距離であるSinkhorn discrepancy (CSD) を導入する。 コーサルシンクホーンDRO(Causal-SDRO)と呼ばれる,CSDに基づく曖昧性集合を持つ文脈的DROモデルを導出する。 本稿では,任意の可測関数空間内の最適ポリシを近似するソフトフォレスト回帰(SRF)決定則を提案する。
  論文  参考訳（メタデータ） (2026-01-16T06:18:22Z)
• Adaptive Sample-Level Framework Motivated by Distributionally Robust Optimization with Variance-Based Radius Assignment for Enhanced Neural Network Generalization Under Distribution Shift [0.8101875496469488]
  経験的リスク最小化(ERM)を用いて訓練された深層ニューラルネットワークの信頼性を損なう場合が多い。 本稿では、リスクの高いトレーニングサンプルを自動的に識別し、オンラインの損失分散に基づいて個人化されたロバスト性予算を割り当てる分散駆動型サンプルレベルDROフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-04T10:20:21Z)
• 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)
• 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)
• DF2: Distribution-Free Decision-Focused Learning [30.288876294435294]
  決定中心学習(DFL)は,予測列最適化問題に対する強力なアプローチとして登場した。 DFLはモデル誤差、サンプル平均近似誤差、近似誤差の3つのボトルネックに直面している。 本稿では,この3つのボトルネックを緩和する決定自由学習手法であるDF2を提案する。
  論文  参考訳（メタデータ） (2023-08-11T00:44:46Z)
• 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)
• 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)
• Large-Scale Methods for Distributionally Robust Optimization [53.98643772533416]
  我々のアルゴリズムは、トレーニングセットのサイズとパラメータの数によらず、多くの評価勾配を必要とすることを証明している。 MNIST と ImageNet の実験により,本手法の 9-36 倍の効率性を持つアルゴリズムの理論的スケーリングが確認された。
  論文  参考訳（メタデータ） (2020-10-12T17:41:44Z)

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。