双重稳健的数据驱动分布鲁棒优化
摘要：数据驱动的分布鲁棒优化（DD-DRO）通过最优输运已被证明能涵盖多种流行的机器学习算法。分布不确定性的大小通常被显示为正则化参数。正则化类型（例如，用于正则化的范数）与分布不确定性的形状相对应。我们提出了一种数据驱动的鲁棒优化方法，以指导定义分布不确定性的输运成本。我们在实证中表明，这种额外的鲁棒性层次，产生了一种我们称之为双重鲁棒数据驱动分布鲁棒优化（DD-R-DRO）的方法，可以提高正则化估计器的泛化能力，并在各种数据集上相对于最先进的分类器减少测试误差。
作者：Jose Blanchet, Yang Kang, Fan Zhang, Fei He, and Zhangyi Hu
论文ID：1705.07168
分类：Machine Learning
分类简称：stat.ML
提交时间：2021-05-12