Distributionally Robust Safety Verification of Neural Networks via Worst-Case CVaR
National Institute of Informatics(国立信息研究所)
本文将最坏情况CVaR整合到基于二次约束和半定规划的神经网络验证框架中,提出一种分布鲁棒且关注尾部风险的安全性验证方法,并通过数值实验验证其在控制系统可达性和分类任务中的有效性。
2025-09-22 cs.AI cs.LG cs.SY
A Distributionally Robust Self-Scheduling Under Price Uncertainty Based on CVaR
为了确保成功的投标,同时最大化的利润,发电公司(GENCO)需要一个自我调度策略,可以应付各种情况。因此,分布式鲁棒优化(DRO)是一个很好的选择,因为它可以提供一个可调整的自调度策略,在不确定的环境中的发电公司,它可以很好地平衡鲁棒性和经济性相比,鲁棒优化(RO)和随机规划(SO)的策略。针对电价不确定性下的自调度问题,提出了一种新的基于矩的条件风险价值(CVaR)DRO模型.这类DRO模型通常转化为半定规划(SDP)求解,然而,求解大规模SDP需要大量的计算时间和资源。针对这一缺点,提出了两种有效的近似模型:一种是基于矢量分裂的近似模型,另一种是基于交替方向乘子法(ADMM)的近似模型,这两种近似模型都可以大大减少计算时间和资源,而第二种近似模型在求解的每一步中只需要当前区域的信息,从而保证了信息的私密性。通过对三个IEEE测试系统的仿真,验证了所提出的DRO模型和两种近似模型的正确性和有效性。
2021-05-04 math.OC
FICA: Faster Inner Convex Approximation of Chance Constrained Grid Dispatch with Decision-Coupled Uncertainty
本文提出FICA方法,利用一维结构加速含Wasserstein分布鲁棒机会约束的电网调度求解,达到与CVaR相同最优性,实现最高500倍加速。
2025-06-23 cs.SY eess.SY math.OC
Tightening CVaR Approximations via Scenario-Wise Scaling for Chance-Constrained Programming
The Hong Kong University of Science and Technology(香港科技大学);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳))
本文提出一种场景加权缩放方法,用于提升机会约束规划中CVaR近似的精度,通过引入场景权重因子,建立更紧的内近似,并证明在合适选择权重时,可达到原问题最优解。
2026-03-30 math.OC
Risk-Averse Stochastic User Equilibrium on Uncertain Transportation Networks
本文提出一种考虑风险和模糊性的交通分配框架,通过随机供应、内生路线选择和尾部风险管理,解决极端天气对交通网络的影响,展示尾部权重和分布模糊性如何优化均衡选择。
2026-10-06 math.OC
Risk-averse design optimization with CVaR constraints via multifidelity tail-region correction
Hanyang University(汉阳大学)
本文针对带CVaR约束的风险规避设计优化中HF评估成本高的问题,提出基于DD-GPCE的多保真度尾区校正方法,在桁架、阀门测试中实现了HF样本高效且性能优异的CVaR约束设计。
2026-09-01 math.OC
Stochastic approximation of CVaR-based variational inequalities
本文研究了由不确定函数的条件风险价值(CVaR)定义的变分不等式(VI)。我们引入随机逼近计划,采用经验估计的CVaR在每次迭代解决这些VI。我们调查这些算法的收敛性在各种假设下的单调性的VI和准确性的CVaR估计。我们的第一个算法收敛到精确解的VI时,CVaR的估计误差变得越来越小,沿任何执行的算法。当估计误差是非零的,我们提供了两个算法,证明收敛到附近的VI的解决方案。对于这些计划,在强单调性,我们提供了一个明确的关系样本量,估计误差,和大小的邻域收敛。一个模拟的例子说明了我们的理论研究结果。
2020-08-27 math.OC
Risk-Averse Planning via CVaR Barrier Functions: Application to Bipedal Robot Locomotion
California Institute of Technology(加州理工学院)
在存在随机不确定性的情况下实施安全是一个具有挑战性的问题。传统上,研究人员在这种情况下提出了统计平均值的安全性作为安全措施。然而,只有当系统在大量运行中的安全行为令人感兴趣时,确保统计平均值中的安全性才是合理的,这排除了在实际场景中使用平均安全性。在本文中,我们提出了一个风险敏感的安全概念,称为条件风险价值(CVaR)安全,这是关注在最坏的情况下实现的安全性能。我们引入CVaR障碍函数作为一种工具,以执行CVaR的安全性,并提出其布尔组合物的条件。给定一个传统的控制器,我们表明,我们可以设计一个最小干扰CVaR安全控制器通过求解差分凸规划。我们阐明了所提出的方法,将其应用到双足机器人运动的案例研究。
2021-03-06 cs.RO math.OC
Stochastic approximation approaches for CVaR-based variational inequalities
考虑了由不确定函数的条件风险值(CVaR)定义的变分不等式,并给出了三种求解它们的随机逼近格式.所有方法在每次迭代时都使用CVaR的经验估计。第一种算法利用投影将迭代约束到可行集。为了克服投影的计算负担,第二个处理不等式和等式约束定义不同的可行集。特别地,到由等式约束定义的仿射子空间上的投影通过矩阵乘法来实现,并且不等式通过使用罚函数来处理。最后,第三种算法通过引入乘数更新来完全丢弃投影。我们建立渐近收敛我们的所有计划的任何任意邻域的解决方案的VI。一个关于网络路由博弈的仿真例子说明了我们的理论研究结果。
2022-11-15 math.OC
Distributed risk-averse optimization via CVaR
KTH Royal Institute of Technology(瑞典皇家理工学院)
本文针对分布式系统的不确定性问题,提出零阶算法实现智能体协作最小化局部CVaR目标平均值,仿真验证了方法的有效性。
2026-09-07 math.OC
Large-Scale Methods for Distributionally Robust Optimization
我们提出并分析了分布鲁棒优化算法的凸损失与条件风险价值(CVaR)和$χ^2$发散不确定性集。我们证明,我们的算法需要许多梯度评估,与训练集大小和参数数量无关,使它们适合大规模应用。对于$χ^2$的不确定性集,这些是第一个这样的保证在文献中,和CVaR我们的保证规模线性的不确定性水平,而不是二次在以前的工作。我们还提供了下界证明我们的算法CVaR和惩罚版本的$χ^2$问题的最坏情况下的最优性。我们的主要技术贡献是批量稳健风险估计偏差的新界限和[Blanchet & Glynn,2015]的多级Monte Carlo梯度估计的方差。在MNIST和ImageNet上的实验证实了我们算法的理论扩展性,比全批方法的效率高9- 36倍。
2020-12-11 cs.LG math.OC stat.ML
Second-order cone programming for distributionally robust compliance optimization of trusses considering input distribution uncertainty
The University of Tokyo(东京大学)
针对输入数据有限导致分布不确定性的问题,提出基于条件风险价值(CVaR)的双目标桁架柔度优化模型,并证明在均匀核或三角核下可简化为二阶锥规划。
2025-09-10 math.OC
Optimal design with uncertainties: a risk-averse approach
Weierstrass Institute, Berlin, Germany(柏林魏尔斯特拉斯研究所);Department of Mathematics, Faculty of Science, University of Zagreb, Croatia(萨格勒布大学理学院数学系)
本文提出了一种基于风险厌恶的随机最优设计方法,通过正则化理论和截断Karhunen-Loève展开,解决导电材料混合下的不确定性优化问题。
2026-02-23 math.AP math.OC
ALSO-X#: Better Convex Approximations for Distributionally Robust Chance Constrained Programs
本文研究了分布鲁棒机会约束规划(DRCCP),其中不确定性约束必须满足Wasserstein模糊度集上所有概率分布的至少一个预先给定阈值的概率.由于DRCCP通常是非凸的,并且很难最优求解,研究人员一直在开发各种凸内近似。最近,ALSO-X已被证明优于条件风险值(CVaR)的近似的规则的机会约束规划时,确定性集是凸的。在这项工作中,我们放松了这个假设,通过引入一个新的ALSO-X方法来解决DRCCP。也就是说,在ALSO-X和CVaR近似的双层重构中,我们观察到,低层ALSO-X是低层CVaR近似的特殊情况,而高层CVaR近似比ALSO-X中的更受限制。这一观察促使我们提出ALSO-X,它仍然类似于一个双层公式-在较低级别的问题,我们采用更一般的CVaR近似,并为上层,我们选择较少限制ALSO-X。我们证明了ALSO-X总是优于CVaR近似,并且在规则机会约束规划和$\infty-$ Wasserstein型模糊集下优于ALSO-X。我们还提供了新的充分条件下,ALSO-X\#输出的最优解的DRCCP。我们提出的ALSO-X\#无线通信问题,并数值证明,解决方案的质量甚至可以比精确的方法。
2023-02-03 math.OC
TTRISK: Tensor Train Decomposition Algorithm for Risk Averse Optimization
本文提出了一种新的算法TTRISK来求解不确定条件下由微分方程(ODEs和/或PDEs)控制的高维风险规避最优化问题。作为一个例子,我们专注于所谓的条件风险价值(CVaR),但该方法同样适用于其他连贯的风险度量。充分和减少空间配方被认为是。该算法是基于低秩张量近似的随机场离散使用随机配置。为了避免CVaR的目标函数的非光滑性,本文提出了一种自适应策略来选择平滑CVaR的宽度参数,以平衡平滑误差和张量逼近误差。此外,无偏蒙特卡罗CVaR估计可以使用平滑CVaR作为控制变量计算。为了加快计算速度,我们在全空间公式中引入了一个有效的KKT系统预条件子,数值实验表明,所提出的方法能够实现大规模离散系统约束条件下CVaR的精确优化.特别是,第一个例子包括一个椭圆PDE与随机系数作为约束。第二个例子的动机是一个实际的应用程序,以制定一个封锁计划,为英国在COVID-19。结果表明,在几十个随机变量下,张量近似下的风险规避框架是可行的。
2022-12-01 cs.NA math.NA math.OC
Mitigating Renewable-Induced Risks for Green and Conventional Ammonia Producers through Coordinated Production and Futures Trading
Southwestern University of Finance and Economics(西南财经大学);Sichuan University(四川大学)
本文提出可再生能源氨期货金融工具,结合生产决策对冲氨产量风险,通过博弈论框架协调两种生产者的生产与交易策略,提升在可再生能源不确定性下的利润稳定性。
2026-03-16 cs.SY eess.SY math.OC
Risk averse constrained blackbox optimization under mixed aleatory/epistemic uncertainties
本文提出一种基于截断高斯梯度估计的多时间尺度随机逼近算法,用于求解混合随机/认知不确定性下的风险厌恶黑箱约束优化问题,将问题转化为CVaR约束形式并通过拉格朗日松弛处理,数值实验验证了其有效性。
2023-10-17 math.OC
Consistency of Distributionally Robust Risk- and Chance-Constrained Optimization under Wasserstein Ambiguity Sets
我们研究了具有机会和风险约束的随机最优化问题,在后者中,风险被量化为条件风险价值(CVaR)。我们考虑这些问题的分布鲁棒版本,其中的约束条件是必须持有的家庭的分布构造从观察到的实现的不确定性通过Wasserstein距离。我们的主要研究结果表明,如果样本是独立地从一个潜在的分布和问题满足适当的技术假设,那么这些问题的分布鲁棒版本的最优值和优化收敛到各自的数量的原始问题,作为样本量的增加。
2020-12-16 cs.SY eess.SY math.OC
Risk-Aware Submodular Optimization for Multi-Robot Coordination
Virginia Tech(弗吉尼亚理工大学);University of Pennsylvania(宾夕法尼亚大学);University of Maryland(马里兰大学)
研究了在不确定性条件下进行组合决策时引入风险的问题。我们制定了一个离散的子模块最大化问题,选择一组使用条件风险价值(CVaR),金融分析中常用的风险度量。虽然CVaR最近已被用于机器人的线性成本函数的优化,我们采取的第一步扩展到离散子模块优化,并提供了一些积极的结果。具体来说,我们提出了顺序贪心算法,提供了一个近似保证找到最大值的CVaR成本函数下的拟阵约束。近似保证表明,我们的算法所产生的解决方案是在一个恒定的因素的最佳和一个附加项,取决于最佳。我们的分析使用了次模集函数的曲率,并证明了该算法在多项式时间内运行。这公式化了许多出现在机器人学中的组合优化问题。我们使用两个这样的问题,车辆分配的不确定性下的机动性按需和传感器的选择与失败的环境监测,作为案例研究,以证明我们的配方的功效。特别是,对于按需移动性的研究,我们提出了一个在线触发分配算法,触发一个新的分配只可能导致减少在需求位置的等待时间。通过仿真验证了序贯贪心算法和在线触发分配算法的性能。
2022-03-18 cs.RO math.OC
On The Use of Risk Measures in Digital Twins to Identify Weaknesses in Structures
本文提出一种基于优化的方法,通过将载荷和测量数据设为随机变量并最小化条件风险价值(CVaR),在弹性方程约束下识别结构弱点,解决了高维非凸非光滑优化问题。
2023-11-20 cs.NA math.NA math.OC
Robust Risk-Sensitive Reinforcement Learning with Conditional Value-at-Risk
University of California, Davis(加利福尼亚大学戴维斯分校)
本文研究RMDP下基于CVaR的风险敏感强化学习的鲁棒性,建立鲁棒性与风险敏感性的联系,并针对状态-动作依赖模糊集提出新风险度量NCVaR及值迭代算法,通过仿真实验验证其有效性。
2024-05-02 cs.LG math.OC stat.ML
Online Learning Based Risk-Averse Stochastic MPC of Constrained Linear Uncertain Systems
College of Engineering, Cornell University(康奈尔大学工程学院)
研究了线性定常系统在加性随机干扰下的数据驱动随机模型预测控制(MPC)设计问题,该系统的概率分布未知,但可以部分地从数据中推断.我们提出了一种新的基于在线学习的风险规避随机MPC框架,其中要求对系统状态的条件风险价值(CVaR)约束保持一个家庭的分布称为模糊集。模糊集是从扰动数据构建的,利用狄利克雷过程混合模型,是自适应的底层数据结构和复杂性。具体地说,利用多模态的结构特性,使得每个混合分量的一阶和二阶矩信息被并入到模糊度集中。然后,一种新的约束收紧策略的基础上提出的模糊度集上的分布鲁棒CVaR约束的等价重构。随着控制器运行期间收集的数据越来越多,模糊度集使用实时扰动数据在线更新,这使得风险规避随机MPC能够应对时变扰动分布。所采用的在线变分推理算法不需要从头开始学习所有收集的数据,因此,建议MPC被赋予保证计算复杂性的在线学习。通过一个安全的更新方案,建立了建议MPC的递归可行性和闭环稳定性的保证。数值算例表明了该方法的有效性和优越性。
2020-11-20 cs.LG math.OC stat.ML
Inferring the prior in routing games using public signalling
本文考虑贝叶斯说服路由游戏的不确定状态的网络信息提供的交通信息系统(TIS)使用公共信号。在这种设置中,TIS承诺一个信令方案,参与者根据先前的信念和接收到的信号形成关于网络状态的后验信念。他们随后选择的路线,最大限度地减少他们的个人预期的旅行时间下,他们的后验信念,从而产生Wardrop均衡。我们研究了TIS如何通过设计合适的信号方案来推断参与者的先验信念,并观察不同信号下的均衡流。我们表明,在温和的条件下,一个信号方案,允许精确的推理的先验存在。然后,我们提供了一个迭代算法,发现这样的计划在有限数量的步骤。我们表明,我们的算法设计的计划是强大的,在这个意义上说,他们仍然可以识别足够小的扰动后的先验。我们还调查的情况下,人口被划分在多个先验,并给出条件下,与每个先验的分数可以确定。几个例子说明了我们的结果。
2023-02-01 cs.GT cs.SY eess.SY
A Stochastic Primal-Dual Method for Optimization with Conditional Value at Risk Constraints
我们研究了一阶原始-对偶次梯度方法来优化风险约束的风险惩罚最优化问题,其中风险是通过流行的条件风险价值(CVaR)度量建模。该算法以在线方式处理来自潜在不确定性的独立和同分布样本,并在具有恒定步长的$K$迭代内产生$η/\sqrt{K}$ -近似可行和$η/\sqrt{K}$ -近似最优点,其中$η$随着CVaR的可调风险参数而增加。我们发现优化的步长使用我们的边界和精确的特征所揭示的增长$η$的风险规避的计算成本。我们提出的算法是一个简单的修改,一个典型的原始-对偶随机次梯度法。有了这个温和的变化,我们的分析令人惊讶地避免了需要先验界或复杂的自适应边界计划的对偶变量假设在许多以前的作品。我们还绘制了有趣的相似之处,在样本的复杂性,在文献中派生的机会约束的程序与一个非常不同的解决方案架构。
2021-04-05 math.OC
Bi-objective risk-averse facility location using a subset-based representation of the conditional value-at-risk
对于许多现实世界中的决策问题的不确定性,它可能是必不可少的,以处理多个和往往相互冲突的目标,同时考虑到决策者的风险偏好。条件风险价值(CVaR)是一种广泛应用的风险度量方法,用于解决决策者的风险厌恶问题。在本文中,我们使用CVaR的基于子集的多面体表示来重新表述Nazemi等人(2021)提出的双目标两阶段随机设施定位问题。我们提出了一个近似的割平面法来处理这个更具计算挑战性的子集为基础的配方。然后,割平面法嵌入到ε约束法,平衡箱法,和最近开发的数学方法来解决问题的双目标性质。计算结果表明了该方法的有效性。最后,我们讨论如何将基于子集的多面体制定的近似影响所获得的解决方案。
2023-02-13 cs.DM math.OC
Adaptive Conditional Residual Sampling for Spectral Risk Optimisation under Decision-Dependent Uncertainty
Institute for Global Prosperity, The Bartlett, University College London(全球繁荣研究所,巴特利特学院,伦敦大学学院)
提出ACFS框架,结合广义随机森林、CEM全局搜索和重加权聚焦增强,解决决策依赖分布下的谱风险最小化问题,在重尾和偏态基准上优于现有方法。
2026-10-19 cs.LG math.OC stat.CO
A Two-Stage Stochastic Model for Road-Rail Intermodal Freight Transportation Under Demand and Capacity Uncertainty
针对固定列车时刻表下公铁联运集装箱运输优化问题,考虑需求与列车临时容量不确定性,构建整合条件风险价值(CVaR)的两阶段随机优化模型,经真实数据验证可降低成本、减少排放并辅助风险权衡决策。
2025-08-21 math.OC
Bi-objective facility location under uncertainty with an application in last-mile disaster relief
在许多现实世界的问题中,多个且通常相互冲突的目标受到数据不确定性的影响是主要特征。因此,在实践中,决策者需要了解目标之间的权衡,考虑不同程度的不确定性,以选择合适的解决方案。在本文中,我们认为一个两阶段的双目标单源容量限制模型作为一个基础配方设计的最后一英里网络在救灾的目标之一是受需求的不确定性。我们分析了两阶段的风险中性随机规划,自适应(两阶段)鲁棒优化,和两阶段的风险厌恶的随机方法,使用条件风险价值(CVaR)。为了应付问题的双目标性质,我们将这些概念嵌入到两个标准的空间搜索框架,$ε$ -约束方法和平衡箱方法,以确定帕累托前沿。此外,数学技术的开发,以获得高质量的近似的Pareto边界的大型实例。在一个广泛的计算实验中,我们评估和比较的性能的应用方法的基础上,从Thies干旱的情况下,塞内加尔的真实数据。
2022-12-20 cs.DM math.OC
Deep Reinforcement Learning for Reliability Based Bi-Objective Portfolio Optimization
Indian Institute of Management Amritsar(印度管理学院阿姆利则分校);McKinsey and Company(麦肯锡公司)
研究不确定性下投资组合优化问题,提出深度强化学习框架MORP-DRL,用三种风险度量联合优化回报与风险,结合多种方法表示资产回报并生成场景,基于PPO开发策略,实验表明该框架有竞争力、能降风险且可扩展。
2026-07-09 cs.AI cs.LG math.OC