双重稳健的数据驱动分布鲁棒优化
机器学习
2021-05-12 v1
摘要
基于最优传输的数据驱动分布鲁棒优化 (DD-DRO) 已被证明涵盖了广泛的流行机器学习算法。分布不确定性的大小通常对应于正则化参数。正则化的类型（例如用于正则化的范数）对应于分布不确定性的形状。我们提出了一种数据驱动的鲁棒优化方法，用以指导定义分布不确定性所基于的传输代价。我们通过实验证明，这一额外的鲁棒化层产生了一种我们称之为双重稳健数据驱动分布鲁棒优化 (DD-R-DRO) 的方法，它能够增强正则化估计器的泛化性能，同时在广泛的数据集上相对于最先进的分类器降低测试误差。
引用
@article{arxiv.1705.07168,
title = {Doubly Robust Data-Driven Distributionally Robust Optimization},
author = {Jose Blanchet and Yang Kang and Fan Zhang and Fei He and Zhangyi Hu},
journal= {arXiv preprint arXiv:1705.07168},
year = {2021}
}
备注
arXiv admin note: substantial text overlap with arXiv:1705.07152