面向稳健排序与选择的新型加法OCBA程序
统计方法学
2025-09-23 v2 机器学习
摘要
稳健排序与选择(R&S)是传统R&S的一个重要且具有挑战性的变体，旨在从有限集合中挑选出最佳备选方案。它通过使用歧义集来捕捉仿真模型中常见的输入不确定性，该歧义集包含多个可能的输入分布，以选择在歧义集上的最差平均性能最小的备选方案。在本文中，我们旨在开发新的固定预算稳健R&S程序，以最小化有限抽样预算下的错误选择概率(PICS)。灵感来源于PICS的上界，我们推导了新的渐近最优预算分配解。据此，我们设计了一个用于高效解决稳健R&S问题的新型序列最优计算预算分配(OCBA)程序。我们随后进行了全面的数值研究，以验证我们稳健OCBA程序优于现有方法的优越性。数值研究还提供了有关导致效率提升的预算分配行为的见解。
引用
@article{arxiv.2412.06020,
title = {New Additive OCBA Procedures for Robust Ranking and Selection},
author = {Yuchen Wan and Zaile Li and L. Jeff Hong},
journal= {arXiv preprint arXiv:2412.06020},
year = {2025}
}