含噪声数据的高效数据驱动优化
最优化与控制
2024-02-26 v4 机器学习
统计理论
统计理论
摘要
经典的Kullback-Leibler或熵距离在无噪声数据决策背景下已知具有某些理想的统计性质。然而，在大多数实际情形中，决策者可用的数据会受到一定量的测量噪声影响。因此，我们在此研究数据被已知噪声源污染的数据驱动处方问题。我们推导了该噪声情形下的高效数据驱动公式，并指出它们具有熵最优传输的解释。最后，我们利用Strassen的一个经典表示结果，表明这些高效鲁棒公式在若干有趣的设置下是可处理的。
引用
@article{arxiv.2102.04363,
title = {Efficient Data-Driven Optimization with Noisy Data},
author = {Bart P. G. Van Parys},
journal= {arXiv preprint arXiv:2102.04363},
year = {2024}
}