論文の概要: Calibrating Ambiguity Set via Diagnostic Transport for Distributionally Robust Optimization

• arxiv url: http://arxiv.org/abs/2610.10793v1
• Date: Wed, 07 Oct 2026 18:51:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.63511
• Title: Calibrating Ambiguity Set via Diagnostic Transport for Distributionally Robust Optimization
• Title（参考訳）: 分布ロバスト最適化のための診断輸送によるキャリブレーション曖昧性セット
• Abstract要約: 本稿では, キャリブレーションデータを用いてアンビグニティ・セットの幾何を観測誤差に適応する診断-トランスポートDRO(DT-DRO)を提案する。 我々は、推定や近似誤差が消えるにつれて、曖昧さの有効化と決定リスクの保証を導出する。
• 参考スコア（独自算出の注目度）: 7.32682641807689
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Distributionally robust optimization (DRO) protects decisions against distributional uncertainty by optimizing over an ambiguity set, but poorly aligned set geometry can require large radii and yield overly conservative decisions. We introduce diagnostic-transport DRO (DT-DRO), which uses held-out calibration data to adapt the ambiguity-set geometry to observed predictive errors. DT-DRO uses the conditional probability integral transform cumulative distribution function to diagnose systematic probability misallocation and translates this information into an outcome-level transport that jointly adjusts the ambiguity-set center and ground cost. The resulting formulation admits a computationally tractable dual reformulation. Theoretically, we derive valid ambiguity radii and decision-risk guarantees that tighten as estimation and approximation errors vanish, and show that DT-DRO can eliminate the nonvanishing robustness floor caused by model misspecification. Synthetic experiments and a power-outage application demonstrate improved decision quality, particularly under structural and tail misspecification.
• Abstract（参考訳）: 分布的ロバスト最適化(DRO)は、あいまいさ集合を最適化することで分布の不確実性に対する決定を保護するが、整合性の悪い集合の幾何は大きな半径を必要とし、過度に保守的な決定を下す。 本稿では, キャリブレーションデータを用いてアンビグニティ・セットの幾何を観測誤差に適応する診断-トランスポートDRO(DT-DRO)を提案する。 DT-DROは、条件付き確率積分変換累積分布関数を用いて、系統的な確率ずれを診断し、この情報を、あいまい度セットの中心と地価を協調的に調整する結果レベル輸送に変換する。 結果の定式化は、計算的にトラクタブルな双対再定式化を許容する。 理論的には,推定誤差や近似誤差が消えることの確実な曖昧性半径と決定リスクを導出し,DT-DROがモデル不特定による不確定ロバスト性フロアを除去できることを示す。 合成実験と停電応用は、特に構造的および尾の誤特定の下で、意思決定品質の向上を実証している。

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)
• Learning Optimal Distributionally Robust Individualized Treatment Rules Integrating Multi-Source Data [3.821271508420626]
  共依存分布不確実性集合に対する最悪の政策値を最大化する情報ベース分散堅牢ITR(PDRO-ITR)を提案する。 PDRO-ITR推定器のリスクバウンダリを確立し、最悪の場合の堅牢な性能を保証する。
  論文  参考訳（メタデータ） (2026-03-05T14:33:52Z)
• 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)
• Decision Making under Model Misspecification: DRO with Robust Bayesian Ambiguity Sets [8.642152250082368]
  ベイジアン・アンビグニティ・セット(DRO-RoBAS)の誤用をモデル化するRobustを紹介する。 これらは、頑健な後続予測分布を中心とする最大平均離散的曖昧性集合である。 得られた最適化問題は、再生ケルネルヒルベルト空間において双対な定式化が得られることを示す。
  論文  参考訳（メタデータ） (2025-05-06T14:46:16Z)
• Nested Stochastic Algorithm for Generalized Sinkhorn distance-Regularized Distributionally Robust Optimization [4.989068568135242]
  分散ロバストシフト最適化(DRO)は、データ分散に対するロバストモデルのための強力な手法である。 本稿では、一般化近似関数によって不確実性をモデル化した正規化非DRO問題の解決を目的とする。
  論文  参考訳（メタデータ） (2025-03-29T01:01:02Z)
• 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)
• Robustness and Accuracy Could Be Reconcilable by (Proper) Definition [109.62614226793833]
  強靭性と精度のトレードオフは、敵文学において広く研究されている。 局所的不変性の帰納的バイアスを課す不適切に定義された頑健な誤差に由来する可能性がある。 定義上、SCOREは、最悪のケースの不確実性に対処しながら、堅牢性と正確性の間の和解を促進する。
  論文  参考訳（メタデータ） (2022-02-21T10:36:09Z)
• Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
  本稿では、因果的観点からの包括的ミニマックス分析について述べる。 最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。 本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
  論文  参考訳（メタデータ） (2021-07-05T09:07:29Z)
• 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)
• Residuals-based distributionally robust optimization with covariate information [0.0]
  我々は、分散ロバスト最適化(DRO)における機械学習予測モデルを統合するデータ駆動アプローチを検討する。 私たちのフレームワークは、さまざまな学習設定やDROあいまいさセットに対応できるという意味で柔軟です。
  論文  参考訳（メタデータ） (2020-12-02T11:21:34Z)
• 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。