.png){kind=icon}
返回
Wasserstein Distributionally Robust Optimization and Its Tractable Regularization Formulation
.png){kind=icon}
PRE
AI
DOI：10.1007/s10957-025-02896-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们研究了一类wasserstein分布鲁棒优化（WDRO）问题，其中模糊集中的分布是通过约束其wasserstein差异与经验分布来选择的。利用弱利普希茨性质的界定，我们开发了一个灵活的框架，用于推导相应最坏情况损失量的上下界，并提出充分条件，在这些条件下该量与其正则化方案对应量一致。我们的构造性方法和基础分析也直接刻画了近似最坏情况分布的闭式表达式。广泛的应用表明，我们的框架可用于为各种问题（包括回归、分类和风险度量问题）建立理论结果。我们相信，这里开发的灵活框架可以为分析其他WDRO问题提供一个便捷的工具。
Keyword:
Wasserstein discrepancy
Wasserstein distributionally robust optimization
Regularized optimization
Worst-case loss quantity
Data-driven decision making
期刊
J
IF:
1.5
论文数:
184
被引数:
8.2K
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