通过基于经验散度的分布鲁棒优化恢复最佳统计保证
最优化与控制
2016-05-31 v1
摘要
我们研究将分布鲁棒优化 (DRO) 用作一种易处理的工具，以恢复由中心极限定理提供的渐近统计保证，从而在不明确的概率分布下维持期望值约束的可行性。我们表明，使用经验定义的 Burg 熵散度球来构造 DRO 可以实现此类保证。然而，这些球并非源于标准的数据驱动 DRO 框架，因为它们自身覆盖真实分布的概率可能很低甚至为零。相反，其优越的统计性能是通过将所得 DRO 与经验似然和经验过程相联系而赋予的。我们证明，这些球的大小可以使用卡方过程漂移进行最优校准。我们进行数值实验以支持我们的理论发现。
引用
@article{arxiv.1605.09349,
title = {Recovering Best Statistical Guarantees via the Empirical Divergence-based Distributionally Robust Optimization},
author = {Henry Lam},
journal= {arXiv preprint arXiv:1605.09349},
year = {2016}
}