論文の概要: Conformal-DRO: Distributionally Robust Optimization with Conformalized Ambiguity Set

• arxiv url: http://arxiv.org/abs/2609.11073v1
• Date: Thu, 10 Sep 2026 04:30:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.21149
• Title: Conformal-DRO: Distributionally Robust Optimization with Conformalized Ambiguity Set
• Title（参考訳）: Conformal-DRO: Conformalized Ambiguity Setによる分布ロバスト最適化
• Abstract要約: 本稿では、各インスタンスが観測されない法則を持つが1つの観測のみに寄与する潜在分布不均一性について研究する。 本研究では、ネストした共形領域を用いて、将来の潜伏法則のあいまいさを規定するConformal-DROを提案する。 結果として得られるロバストな値は、選択された決定の予測コストに対する有限サンプル証明書を提供する。
• 参考スコア（独自算出の注目度）: 9.492534748349316
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data-driven distributionally robust optimization (DRO) typically treats the conditional outcome law as fixed and uses ambiguity sets to capture estimation error. This paper studies latent distributional heterogeneity, where each instance has an unobserved law but contributes only one observation, so uncertainty persists even if the mixture law is known. We propose Conformal-DRO, which uses nested conformal regions to construct an ambiguity set for the future latent law. Under exchangeability, the set covers this law with probability at least $1-α$ in finite samples, without estimating underlying latent laws or their mixing mechanism. The conformal path induces a data-driven transport geometry, while $α$ determines the radius. The worst-case problem reduces to a finite linear program over conformal shells and admits sparse adversarial solutions. The resulting robust value provides a finite-sample certificate for the selected decision's expected cost.
• Abstract（参考訳）: データ駆動型分散ロバスト最適化(DRO)は通常、条件付き結果法則を固定として扱い、曖昧性集合を用いて推定誤差をキャプチャする。 本稿では、各インスタンスが観測されていない法則を持つが1つの観測のみに寄与する潜在分布不均一性について研究し、混合法則が知られている場合でも不確実性は持続する。 本研究では、ネストした共形領域を用いて、将来の潜伏法則のあいまいさを規定するConformal-DROを提案する。 交換性の下では、この法則を有限サンプルにおいて少なくとも1-α$の確率でカバーし、基礎となる潜在法則やそれらの混合機構を推定しない。 共形経路はデータ駆動輸送幾何学を誘導し、$α$は半径を決定する。 最悪の場合の問題は、共形シェル上の有限線型プログラムに還元され、スパース対逆解が認められる。 結果として得られるロバストな値は、選択された決定の予測コストに対する有限サンプル証明書を提供する。

関連論文リスト

• Exact Risk-Complexity Laws for Projective Boundaries in Scenario Optimization and Distribution-Free Certification [0.0]
  条件違反のリスクは、尾がベータ二項表現を持ち、そのパラメータがサポート、キャリブレーション、圧縮次元である正確なベータ法に従う。 本稿では、これらの式の背後にある決定論的境界機構を特定し、観測された境界サイズがランダムである場合に対応する法則を導出する。 また、条件付き確率証明や、観測された複雑さだけでは不十分な理由を説明するNo-go結果も得られる。
  論文  参考訳（メタデータ） (2026-09-01T14:58:38Z)
• Robust Chance-Constrained Optimization using a Continuous Parameter Space Wasserstein-2 Ambiguity Set of Gaussian Mixtures [0.0]
  ガウス混合モデル(GMM)により不確実性をモデル化した分布ロバストな線形確率制約問題について検討する。 我々は,質量を受ける混合成分の位置を不均一に決定する適応的切削面アルゴリズムを開発した。 電気自動車充電ステーションエネルギー配分問題を用いたケーススタディは、このフレームワークの実用的価値を示している。
  論文  参考訳（メタデータ） (2026-07-19T01:10:05Z)
• Tokens-per-Parameter Coverage Is Critical for Robust LLM Scaling Law Extrapolation [45.56738584872585]
  ニューラルスケーリング法則は、パラメータカウント$N$とトークンカウント$D$のパワーロー関数として、言語モデルの損失を近似する。 本稿では,コリニア設計がガウス・ニュートン最小二乗問題に固有の不条件を生じさせることを示す。 これを4つのスケーリング法則形式に対して証明し、十分に条件付き推定に十分必要な閉形式TPP多様性閾値を導出する。
  論文  参考訳（メタデータ） (2026-05-08T23:00:17Z)
• Decision-Focused Federated Learning Under Heterogeneous Objectives and Constraints [45.88028371034407]
  我々は、よく知られたSPO+アプローチに基づいて、SPO+のサロゲート損失に対する不均一性境界を開発する。 強く凸可能な領域の場合、安定性によりよりシャープな境界が導出される。 我々は多面体および強凸問題に対するFedAvg型DFFL実験セットを実装した。
  論文  参考訳（メタデータ） (2026-04-21T22:22:39Z)
• Fair regression under localized demographic parity constraints [9.082079838093371]
  F f |S=s (z m ) = $ell$m という形の CDF 制約をグループ的に課する,新規な (ell$, Z)-fair predictor を導入する。 合成データセットと実データセットの実験では、解釈可能なフェアネス精度のトレードオフが示され、決定関連量子またはしきい値に対するターゲット修正が可能である。
  論文  参考訳（メタデータ） (2026-03-26T09:21:05Z)
• Stability and Generalization of Push-Sum Based Decentralized Optimization over Directed Graphs [55.77845440440496]
  プッシュベースの分散通信は、情報交換が非対称である可能性のある通信ネットワークの最適化を可能にする。 我々は、グラディエント・プッシュ(SGP)アルゴリズムのための統一的な一様安定性フレームワークを開発する。 重要な技術的要素は、2つの量に束縛された不均衡認識の一般化である。
  論文  参考訳（メタデータ） (2026-02-24T05:32:03Z)
• Bulk-Calibrated Credal Ambiguity Sets: Fast, Tractable Decision Making under Out-of-Sample Contamination [8.826173150779145]
  分散ロバストな最適化(DRO)は、あいまいさセットよりも最悪のケースで予想される損失を最小化する。 我々は,IPクレダルセットが,解釈可能な許容レベルを持つDRO目標にどのように変換されるかを示す。
  論文  参考訳（メタデータ） (2026-01-29T06:37:36Z)
• 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)
• Multivariate Conformal Prediction via Conformalized Gaussian Scoring [44.99833362998488]
  条件密度 $mathbbP_Y|X$ を推定し、そのレベルセットを共形化する。 出力値が不足した共形集合を構築し、$Y$に関する部分的な情報として共形集合を洗練し、出力空間の変換に関する共形集合を構築する方法を示す。
  論文  参考訳（メタデータ） (2025-07-28T15:55:29Z)
• 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)
• Conformal Prediction under Levy-Prokhorov Distribution Shifts: Robustness to Local and Global Perturbations [41.94295877935867]
  分布シフトをモデル化するために、Levy-Prokhorov (LP) の曖昧性集合を用いる。 共形予測とLP曖昧性集合とのリンクは自然なものであることを示す。 我々は、分布シフトの下で有効であるような頑健な共形予測区間を構築する。
  論文  参考訳（メタデータ） (2025-02-19T21:18:11Z)
• Wasserstein Distributionally Robust Policy Evaluation and Learning for Contextual Bandits [18.982448033389588]
  オフ政治評価と学習は、与えられた政策を評価し、環境と直接対話することなくオフラインデータから最適な政策を学ぶことに関するものである。 学習と実行における異なる環境の影響を考慮するため,分散ロバスト最適化法(DRO)が開発されている。 代わりにワッサーシュタイン距離を用いた新しいDRO手法を提案する。
  論文  参考訳（メタデータ） (2023-09-15T20:21:46Z)
• Distributional Robustness and Regularization in Reinforcement Learning [62.23012916708608]
  経験値関数の新しい正規化器を導入し、ワッサーシュタイン分布のロバストな値関数を下限とすることを示す。 強化学習における$textitexternalな不確実性に対処するための実用的なツールとして正規化を使用することを提案する。
  論文  参考訳（メタデータ） (2020-03-05T19:56:23Z)

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。