基于 Bregman 与 Wasserstein 的模糊集与学习
机器学习
2017-05-24 v1 机器学习
摘要
鲁棒优化中模糊集的构造依赖于概率分布间散度的选择。在分布学习中，基于观测数据选择合适的分布对于逼近真实分布至关重要。为提升机器学习模型性能，近期有兴趣设计基于 Lp-Wasserstein 距离而非经典 Kullback-Leibler (KL) 散度的目标函数。本文利用 Bregman 散度推导了集中性和渐近性结果。我们提出了一种称为 Wasserstein-Bregman 散度的新型非对称统计散度，作为 L2-Wasserstein 距离的推广。我们讨论了这些结果如何应用于鲁棒优化中模糊集的构造。
引用
@article{arxiv.1705.08056,
title = {Ambiguity set and learning via Bregman and Wasserstein},
author = {Xin Guo and Johnny Hong and Nan Yang},
journal= {arXiv preprint arXiv:1705.08056},
year = {2017}
}