(正则化)Wasserstein分布鲁棒模型的精确泛化保证
机器学习
2023-11-07 v2 机器学习
摘要
Wasserstein分布鲁棒估计量已成为不确定下预测与决策的有力模型。这些估计量提供了吸引人的泛化保证：从训练分布获得的鲁棒目标是真实风险在高概率下的精确上界。然而，现有保证要么受维数灾难影响，要么局限于特定设定，要么导致虚假误差项。在本文中，我们表明这些泛化保证实际上在一般模型类上成立，不受维数灾难影响，甚至可覆盖测试时的分布偏移。我们还证明了这些结果可推广至新引入的Wasserstein分布鲁棒问题的正则化版本。
引用
@article{arxiv.2305.17076,
title = {Exact Generalization Guarantees for (Regularized) Wasserstein Distributionally Robust Models},
author = {Waïss Azizian and Franck Iutzeler and Jérôme Malick},
journal= {arXiv preprint arXiv:2305.17076},
year = {2023}
}
备注
49 pages, 2 figures; to be presented at the 37th Annual Conference on Neural Information Processing Systems (NeurIPS 2023)