分布鲁棒方差最小化：基于 $f$-散度邻域的紧方差界
最优化与控制
2021-04-22 v2 概率论
摘要
分布鲁棒优化（DRO）是一种在存在随机性与模型形式不确定性的情况下优化目标泛函的广泛使用的框架。许多 DRO 问题实际求解的关键步骤，是对所选取的模型模糊集（通常为无限维）上的优化进行可处理的重构。已有工作解决了目标泛函为期望值的情况。本文研究目标泛函为期望值与方差惩罚项之和的情形。我们证明，在 -散度邻域上的相应方差惩罚 DRO 问题可重构为有限维凸优化问题。该结果同时也给出了方差上的紧不确定性量化界。
引用
@article{arxiv.2009.09264,
title = {Distributionally Robust Variance Minimization: Tight Variance Bounds over $f$-Divergence Neighborhoods},
author = {Jeremiah Birrell},
journal= {arXiv preprint arXiv:2009.09264},
year = {2021}
}
备注
19 pages