分布鲁棒优化的数据驱动最优成本选择
机器学习
2020-02-25 v3
摘要
最近，（Blanchet, Kang, 和 Murhy 2016，以及 Blanchet 和 Kang 2017）证明了多种机器学习算法，如平方根 Lasso、支持向量机、正则化逻辑回归等，可以精确表示为分布鲁棒优化（DRO）问题。其中的分布不确定性被定义为以经验分布为中心的邻域。我们提出了一种以自然的数据驱动方式学习该邻域的方法。我们严格证明了我们的框架将自适应正则化作为一个特例包含在内。此外，我们通过实验证明，我们提出的方法能够改进多种流行的机器学习估计器。
引用
@article{arxiv.1705.07152,
title = {Data-driven Optimal Cost Selection for Distributionally Robust Optimization},
author = {Jose Blanchet and Yang Kang and Fan Zhang and Karthyek Murthy},
journal= {arXiv preprint arXiv:1705.07152},
year = {2020}
}