.png){kind=icon}
返回
Sinkhorn Distributionally Robust Optimization
.png){kind=icon}
PRE
AI
DOI：10.1287/opre.2023.0294.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们研究基于Sinkhorn距离的分布鲁棒优化：一种基于熵正则化的Wasserstein距离变体。我们为一般的基准分布、运输成本和损失函数推导出凸规划对偶重构。为求解该对偶重构，我们开发了一种带有偏差次梯度估计器的随机镜像下降算法，并推导其计算复杂度保证。最后，我们提供使用合成数据和真实数据的数值示例，以证明其优越性能。
Keyword:
Wasserstein distributionally robust optimization
Sinkhorn distance
duality theory
stochastic mirror descent
期刊
O
IF:
2.6
论文数:
97
被引数:
1.5W
机构
引用论文
.png){kind=icon}
Data-driven distributionally robust optimization using the Wasserstein metric: performance guarantees and tractable reformulations使用Wasserstein度量的数据驱动的分布式鲁棒优化: 性能保证和可处理的重新制定
PREAI
分享收藏
查看更多内容