Higher-Order Sensitivity Analysis of Wasserstein and Adapted Wasserstein Distributionally Robust Optimization Problems
New York University, Tandon School of Engineering(纽约大学坦登工程学院)
本文研究概率测度泛函灵敏度的高阶展开,推广至更广泛的Wasserstein空间泛函,给出二阶展开显式公式及高阶构造方法,并拓展至鞅约束下的分布鲁棒优化。
2026-09-23 math.OC
Data-Driven Bayesian Nonparametric Wasserstein Distributionally Robust Optimization
本研究提出数据驱动的贝叶斯非参数Wasserstein分布鲁棒优化框架,结合贝叶斯非参数方法与Wasserstein度量构建数据驱动模糊集,证明其有限样本保证与渐近一致性,推导等价可解重构形式,经机组组合实验验证其有效性优于现有方法。
2023-11-06 math.OC
Data-driven distributionally robust MPC using the Wasserstein metric
提出了一种基于分布鲁棒优化的数据驱动MPC方案,用于安全控制约束随机线性系系统。基于Wasserstein度量的分布鲁棒约束被施加到存在过程扰动的状态约束违反。一个反馈控制法律解决,以保证预测的状态符合约束。关于Wasserstein球内以其离散经验概率分布为中心的最坏情况分布,满足随机约束。所得到的分布式鲁棒MPC框架是计算上易处理的和高效的,以及递归可行的。这种方法的创新之处在于,所有关于不确定性的信息都可以从数据中凭经验确定。通过数值算例验证了该方法的有效性。
2021-05-18 cs.SY eess.SY math.OC
Wasserstein distributionally robust optimization and its tractable regularization formulations
本文研究Wasserstein分布鲁棒优化问题,利用弱Lipschitz性质推导最坏情况损失量的上下界及与正则化形式一致的充分条件,并给出近似最坏情况分布的闭式形式,适用于回归、分类和风险度量等问题。
2024-02-06 math.OC
First-Order Methods for Wasserstein Distributionally Robust Constrained Optimization
Université Grenoble Alpes(格勒诺布尔阿尔卑斯大学);Inria(法国国家数字科学研究所);CNRS(法国国家科学研究中心);LIG(格勒诺布尔信息学实验室);LJK(洛朗·施瓦茨数学实验室)
针对输入数据受误差影响的约束优化问题,提出基于熵正则化和随机弗兰克 - 沃尔夫算法结合的可处理随机方法,用于解决瓦瑟斯坦分布鲁棒优化问题,并在两个经典问题上验证其优势,提供通用实用的处理方法。
2026-09-18 math.OC
Wasserstein Distributionally Robust Optimization with Wasserstein Barycenters
Northwestern University(西北大学)
在统计学和机器学习的许多应用中,来自多个可能异构的源的数据样本的可用性已经变得越来越普遍。另一方面,在分布鲁棒优化,我们寻求数据驱动的决策,以及在最不利的分布从名义分布构造的数据样本在一定的差异的概率分布。然而,目前还不清楚如何实现这种分布鲁棒性模型学习和估计时,数据样本来自多个来源。在这项工作中,我们建议通过Wasserstein重心作为来自多个来源的数据样本的聚合的概念,构建基于最佳运输的分布鲁棒优化问题的标称分布。在特定的损失函数的选择下,所提出的公式承认一个易于处理的重新制定作为一个有限的凸规划,具有强大的有限样本和渐近保证。作为一个说明性的例子,我们证明了分布鲁棒稀疏逆协方差阵估计的零均值高斯随机向量的问题,我们提出的方案优于其他广泛使用的估计在低维和高维制度。
2022-05-30 cs.LG math.OC stat.ML
Wasserstein Distributionally Robust Kalman Filtering
École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院);TU Delft(代尔夫特理工大学)
研究了仅含正态分布的非凸Wasserstein模糊度集上的分布鲁棒均方误差估计问题。我们表明,最佳估计和最不利的分布形成一个纳什均衡。尽管非凸性质的模糊集,我们证明了估计问题是等价于一个听话的凸规划。我们进一步设计了一个Frank-Wolfe算法的凸规划,其方向搜索子问题可以解决的准封闭形式。使用这些成分,我们引入了一个分布式鲁棒卡尔曼滤波器,对冲模型风险。
2018-10-01 cs.LG math.OC stat.ML
Conic Programming Reformulations of Two-Stage Distributionally Robust Linear Programs over Wasserstein Balls
自适应鲁棒最优化问题通常通过将自适应决策限制为简单的参数决策规则来近似求解。然而,相应的近似误差可能是相当大的。在本文中,我们表明,两个阶段的强大的和分布强大的线性规划往往可以重新精确的圆锥规划,规模多项式的问题的尺寸。具体地说,当模糊集构成一个2-Wasserstein球中心在一个离散分布,然后分布鲁棒线性规划是等价于一个共正规划(如果问题有完全追索权)或可以近似任意接近的一系列共正规划(如果问题有足够昂贵的追索权)。这些结果直接扩展到经典的鲁棒设置和激励强易于处理的近似的两阶段问题的半定近似的共正锥。我们还证明了两阶段分布鲁棒最优化问题是等价于一个易于处理的线性规划时,模糊度集构成一个1-Wasserstein球中心的离散分布,有没有支持约束。
2020-08-12 math.OC
Distributionally robust second-order stochastic dominance constrained optimization with Wasserstein ball
研究了一类分布鲁棒二阶随机优势约束最优化问题。我们要求优势约束对于以经验分布为中心的Wasserstein球中的所有概率分布都成立。我们采用样本近似的方法来开发一个线性规划配方,提供了一个下界。我们提出了一种新的分裂和对偶分解框架,提供了一个上界。我们建立定量收敛的上下近似给定一些约束规格条件。为了有效地解决非凸的上界问题,我们使用一个顺序凸近似算法。最后通过一个证券投资组合问题的数值算例验证了所提出的两种近似方法的收敛性和有效性。
2021-10-19 math.OC
Wasserstein Distributionally Robust Online Learning
University of Michigan(密歇根大学);Cornell University(康奈尔大学)
本文提出了一种基于Wasserstein分布鲁棒优化的在线学习框架,通过将问题建模为随机博弈并利用问题几何特性,实现对最坏情况分布的鲁棒优化,同时提高了计算效率。
2026-10-30 cs.LG math.OC stat.ML
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
Data-driven Distributionally Robust Optimization Using the Wasserstein Metric: Performance Guarantees and Tractable Reformulations
我们考虑随机程序的不确定参数的分布只能通过有限的训练数据集观察。使用Wasserstein度量,我们在(多变量和非离散)概率分布的空间中构建一个球,该球以训练样本的均匀分布为中心,并且我们在这个Wasserstein球内寻找最差情况分布的最佳决策。用于解决由此产生的分布鲁棒最优化问题的最先进的方法依赖于全局优化技术,这很快变得计算上的折磨。在本文中,我们证明了,在温和的假设下,分布鲁棒最优化问题在Wasserstein球实际上可以重新制定为有限凸规划-在许多有趣的情况下,甚至作为易处理的线性规划。利用最近的测量浓度结果,我们还表明,他们的解决方案享有强大的有限样本性能保证。我们的理论结果在均值-风险投资组合优化和不确定性量化中得到了验证。
2017-06-13 math.OC stat.CO
Wasserstein Distributionally Robust Regret Optimization
本文研究了基于Wasserstein模糊集的先验分布鲁棒遗憾优化,提出理论框架并开发算法,解决非光滑损失、离散参考和大半径等场景下的计算难题。
2026-08-11 cs.LG math.OC
Nonlinear Wasserstein Distributionally Robust Optimal Control
本文针对动态 Wasserstein 分布鲁棒非线性模型预测控制缺乏实用算法的问题,提出基于约束迭代线性二次调节器的 DRNMPC 方案,动态控制模糊性传播,并通过质量-弹簧系统实验验证其有效性。
2023-04-14 math.OC
Two-Stage Distributionally Robust Conic Linear Programming over 1-Wasserstein Balls
本文研究1型Wasserstein球上的两阶段分布鲁棒锥线性规划,给出最坏情况期望问题对偶的最优性条件,提出带有限收敛证明的割平面算法及改进,验证了特定距离度量的样本外性能优势。
2024-02-02 math.OC
Entropic smoothing and gradient approximation for Wasserstein distributionally robust optimization
Université Paris Cité(巴黎西岱大学)
研究通过熵平滑近似Wasserstein分布鲁棒优化问题,证明正则化参数趋于零时近似梯度收敛到非正则化目标的次梯度,并给出随机梯度方法的收敛保证和速率。
2026-11-16 math.OC stat.ML
Wasserstein Distributionally Robust Optimization with Expected Value Constraints
本文利用Wasserstein距离的分布鲁棒优化方法处理带期望值约束的随机规划问题,将其重构为有限维优化问题,给出可行性判定准则,并通过投资组合优化的模拟与真实数据验证了方法的有效性。
2023-04-15 math.OC math.PR
A kernel formula for regularized Wasserstein proximal operators
研究了Wasserstein-2空间中的一类正则邻近算子。我们利用核积分公式导出了它们的解。我们利用一对由连续性方程和Hamilton-Jacobi方程组成的正倒向偏微分方程得到Wasserstein邻近算子,该方程具有一个终端时间势函数和一个初始时间密度函数.我们通过添加向前和向后拉普拉斯算子来正则化PDE对。我们应用Hopf-Cole型变换将这些正则化的PDE对重写为向前向后的热方程。然后,我们使用热方程的基本解来表示正则化的Wasserstein近似与核积分公式。数值算例表明了核公式逼近Wasserstein邻近算子的有效性。
2023-01-24 cs.NA math.NA math.OC
Universal generalization guarantees for Wasserstein distributionally robust models
本文针对Wasserstein分布鲁棒优化模型,建立了精确的泛化保证,适用于任意传输代价和参数化损失函数(包括非光滑激活的深度学习目标),并提供了超额界及熵正则化扩展。
2025-01-27 math.OC stat.ML
On Distributionally Robust Chance Constrained Programs with Wasserstein Distance
本文研究了Wasserstein模糊集下的分布鲁棒机会约束规划(DRCCP),其中不确定性约束应满足:对于离经验分布一定Wasserstein距离内的所有不确定性参数的概率分布,其概率至少满足给定的阈值.在这项工作中,我们研究等价的重新和近似的这样的问题。首先,我们证明了DRCCP可以被重新表述为一个条件风险值约束的最优化问题,从而承认紧密的内部和外部近似。通过引入大M系数和附加二元变量,证明了有界可行域的DRCCP是混合整数可表示的。对于具有纯二元决策变量的DRCCP,通过探索其子模结构,证明了它存在一个大M自由公式,并可通过分支切割算法求解.最后,我们提出了一个数值研究来说明所提出的配方的有效性。
2020-02-14 math.OC
Distributionally Robust Joint Chance-Constrained Programming with Wasserstein Metric
在本文中,我们开发了一个精确的重新制定和一个确定性近似的分布鲁棒联合机会约束规划(DRCCP)与一般类的凸不确定性约束下的数据驱动Wasserstein模糊集。已知鲁棒机会约束可以保守地近似为最坏情况条件风险价值(CVaR)约束。结果表明,所提出的最坏情况CVaR近似模型可以转化为一个联合DRCCP的双凸约束最优化问题.然后,我们推导出一个凸松弛的近似模型,通过构造新的决策变量,使我们能够消除双凸项。具体地说,当约束函数是仿射的决策变量和不确定性,然后得到的近似模型是相当于一个易于处理的混合整数凸联合二进制DRCCP重新制定。数值结果表明了所提出的公式的计算有效性和优越性。
2022-09-05 math.OC
Wasserstein Distributionally Robust Control of Partially Observable Linear Stochastic Systems
分布鲁棒控制旨在有效地处理随机系统中的分布模糊性。虽然大多数现有的作品解决不准确的分布信息在完全可观察的设置,我们认为部分可观察的离散时间线性系统使用Wasserstein度量的DRC问题。对于一个易于处理的解决方案,我们提出了一种新的近似方法,利用Wasserstein距离的Gelbrich界。利用现代分布鲁棒优化技术,我们推导出一个封闭形式的最优控制策略的表达式和一个易于处理的半定规划问题的最坏情况下的分布政策,在有限的地平线和无限地平线的平均成本设置。所提出的方法具有几个突出的理论特性,如保证成本属性和概率样本外的性能保证,证明了我们的控制器的分布鲁棒性。此外,所得到的控制器,以确保闭环稳定的平均状态系统。通过对一个电力系统频率控制问题的数值实验,检验了该方法的经验性能。
2022-12-22 cs.SY eess.SY math.OC
Moment Relaxations for Data-Driven Wasserstein Distributionally Robust Optimization
Texas A&M University(德克萨斯农工大学)
针对多项式定义的数据驱动p-WDRO问题,提出带Benders分解的矩松弛方法,确定渐近一致性条件,经两类数值实验验证其可扩展性与有效性。
2026-09-07 math.OC
Distributionally Robust Prescriptive Analytics with Wasserstein Distance
Tsinghua University(清华大学);University of Toronto(多伦多大学)
在规范分析中,决策者观察$(X, Y)$的历史样本,其中$Y$是不确定的问题参数,$X$是并发协变量,而不知道联合分布。给定一个额外的协变量观测$x$,目标是根据该观测选择一个决策$z$,以最小化成本$\mathbb{E}[c(z,Y)|X=x]$。提出了一种新的Wasserstein模糊集下的分布鲁棒方法,该方法基于Nadaraya-Watson核估计量构造$Y|X=x$的名义分布,并考虑历史数据.我们证明了在Wasserstein距离下名义分布收敛于实际条件分布。我们建立了样本外的保证和计算框架的易处理性。通过报童问题和投资组合优化问题的综合实验和实证实验,证明了该框架的强大性能和实用价值。
2021-06-10 cs.LG math.OC
First-Order Methods for Wasserstein Distributionally Robust MDP
马尔可夫决策过程(MDP)是已知的是敏感的参数规格。分布鲁棒的MDP通过允许\emph{ambiguity sets}来缓解这个问题,\emph{ambiguity sets}给出了参数集上的一组可能的分布。我们的目标是找到一个最优的政策,相对于最坏的情况下的参数分布。我们提出了一个框架,通过一阶方法求解分布鲁棒MDP,并实例化它的几种类型的Wasserstein模糊集。通过开发高效的邻近更新,我们的算法实现了收敛速度$O\left(NA^{2.5}S^{3.5}\log(S)\log(ε^{-1})ε^{-1.5} \right)$的内核数量$N$在名义上的分布,状态$S$,和行动$A$的支持,这个速度略有不同的基础上的Wasserstein设置。我们对$N,A$和$S$的依赖性明显优于现有的方法,后者的复杂度为$O\left(N^{3.5}A^{3.5}S^{4.5}\log^{2}(ε^{-1}) \right)$。数值实验表明,我们的算法是更显着的可扩展性比国家的最先进的方法在几个领域。
2021-05-03 cs.GT math.OC
Distributionally Robust Optimization over Wasserstein Balls with i.i.d. Structure
ETH Zürich(苏黎世联邦理工学院)
本文研究了基于结构Wasserstein模糊集的分布鲁棒优化问题,通过引入可解的凸松弛序列,证明其收敛性,并提供数值示例展示方法有效性,同时推导出混合产品分布的Wasserstein距离新公式。
2026-04-11 math.OC
Decision-dependent distributionally robust standard quadratic optimization with Wasserstein ambiguity
University of Vienna(维也纳大学);Paris Saclay University, CNRS, CentraleSupélec(巴黎萨克雷大学、法国国家科学研究中心、中央理工-高等电力学院);Corvinus University Budapest(布达佩斯科维努斯大学)
本文提出基于Wasserstein距离的分布鲁棒标准二次优化方法,通过等价转换确定性实例并提供样本外性能保证。
2026-03-05 math.OC
Regularized and Distributionally Robust Data-Enabled Predictive Control
本文研究了一种应用于未知随机线性定常系统的数据使能预测控制(DeePC)算法。该算法使用噪声损坏的输入/输出数据来预测未来的轨迹和计算最优控制策略。为了对输入/输出数据中的不确定性进行鲁棒化,计算控制策略以最小化给定目标函数的最坏情况期望。使用来自分布鲁棒随机最优化的技术,我们证明了对于某些目标函数,最坏情况下的最优化问题与DeePC算法的正则化版本一致。这些结果支持了正则化算法先前观察到的优点,并为其性能提供了概率保证。我们通过一个数值算例说明了正则化算法的鲁棒性。
2019-11-01 math.OC
Using affine policies to reformulate two-stage Wasserstein distributionally robust linear programs to be independent of sample size
Wasserstein球上的两阶段分布鲁棒优化(DRO)问题作为一种有前途的数据驱动决策工具在理论上得到了深入研究,但实际上并不容易解决。部分原因是样本量较大。在这篇文章中,我们研究了一个一般的两阶段分布鲁棒线性规划(2-DRLP)的1-Wasserstein球使用仿射策略。2-DRLP具有矩形支撑的右手侧不确定性。我们的主要贡献是表明,2-DRLP问题有一个易于处理的重新制定的规模独立的样本量。重新制定的问题可以解决一个预定义的最优性公差使用强大的优化技术。为了减少不可避免的保守性的仿射政策,同时保持独立的样本量,我们进一步开发了一种方法,用于构建一个不确定性集的概率保证,Wasserstein球被重新定义。作为一个应用,我们提出了一种新的机组组合模型的电力系统下的不确定性的可再生能源发电的有效性,建议的2-DRLP技术。大量的数值实验表明,我们的模型导致更好的样本性能平均比其他国家的最先进的分布鲁棒机组组合模型,同时保持计算能力。
2022-12-31 cs.SY eess.SY math.OC
On Wasserstein Distributionally Robust Mean Semi-Absolute Deviation Portfolio Model: Robust Selection and Efficient Computation
针对Wasserstein分布鲁棒均值下半绝对偏差投资组合模型,提出RWPI半径选择方法与PpdSsn高效求解算法,实验表明其样本外表现更优且适合大规模问题。
2024-03-01 math.OC
Data-driven Wasserstein distributionally robust generalized Nash equilibrium problems with heterogeneous uncertainty
Eindhoven University of Technology(埃因霍温理工大学)
针对含异质不确定性且分布未知的随机 Nash 均衡问题,提出基于 Wasserstein 模糊集的数据驱动鲁棒重构,给出有限样本保证、渐近一致性及有限维形式,并通过电力市场和 Nash-Cournot 博弈验证。
2026-10-30 cs.SY eess.SY math.OC
Wasserstein Distributionally Robust Optimization and Variation Regularization
University of Texas at Austin(德克萨斯大学奥斯汀分校);New York University(纽约大学);Georgia Institute of Technology(佐治亚理工学院)
Wasserstein分布鲁棒优化(DRO)最近在运筹学和机器学习的各种应用中取得了经验上的成功,部分原因是它的正则化效应。虽然Wasserstein DRO和正则化之间的联系已经建立在几个设置,现有的结果往往需要限制性的假设,如光滑性或凸性,这是不满意的许多问题。在本文中,我们开发了一个一般理论的变化正则化效果的Wasserstein DRO -一种新的形式的正则化,推广总变差正则化,Lipschitz正则化和梯度正则化。我们的结果涵盖可能的非凸和非光滑的损失和损失的非欧几里德空间。例子包括多项报童,投资组合选择,线性预测,神经网络,流形学习,泊松过程的强度估计等,作为我们的变分正则化理论的应用,我们得到新的泛化保证对抗性鲁棒学习。
2020-10-30 cs.LG math.OC stat.ML
A GPM-based algorithm for solving regularized Wasserstein barycenter problems in some spaces of probability measures
本文主要研究正则化Wasserstein重心问题。我们提供的唯一性和表征的重心为两个重要的类别的概率测度:(i)高斯分布和(ii)$q$ -高斯分布,每个正则化的一个特定的熵功能。我们提出了一种基于矩阵空间中的梯度投影法的算法来计算这些正则化重心。我们还考虑了一般的一类$φ$ -指数测度,其中只研究了非正则重心。最后,数值分析了参数的影响和算法在数据小扰动下的稳定性。
2022-08-06 cs.NA math.NA math.OC
A Shrinkage Path Heuristic for Wasserstein Distributionally Robust Optimization
Imperial Business School, Imperial College London(帝国理工学院帝国商学院)
针对Wasserstein分布鲁棒优化标准重表述含非凸子问题难求解的问题,提出收缩路径启发式算法,简化为一维搜索,实验表明其性能提升达Wasserstein DRO的85%-110%且计算成本低。
2026-08-17 math.OC
Wasserstein Distributionally Robust Shortest Path Problem
提出了一种数据驱动的分布鲁棒最短路径(DRSP)模型,该模型仅能通过有限个样本个数部分观测到交通网络中的行程时间分布.具体来说,我们的目标是找到一个最佳的路径,以最大限度地减少最坏情况下的$α$ -可靠的平均超额旅行时间(METT)在Wasserstein球,这是集中在样本数据集的经验分布和球半径量化的置信水平。与现有的DRSP模型形成鲜明对比的是,我们的模型被等价地重新表述为一个易于处理的混合0-1凸问题,例如,0-1线性规划或0-1二阶锥规划。此外,我们还明确推导出的分布实现最坏情况的METT通过简单地扰动每个样本。实验结果表明,我们的DRSP模型在样本外的性能和计算复杂性方面的优势。最后,我们的DRSP模型很容易扩展到解决DR双标准最短路问题和最小费用流问题。
2019-11-18 math.OC
Wasserstein Distributionally Robust Quantile Regression
University of Science and Technology of China(中国科学技术大学);University of Waterloo(滑铁卢大学)
本文基于p-Wasserstein不确定性集研究分布鲁棒分位数回归,推导了闭式表达式并证明检查损失是唯一凸损失函数,揭示p=1与p>1的差异,建立有限样本风险保证。
2026-03-16 math.OC math.ST stat.TH
Wasserstein Distributionally Robust Regret-Optimal Control under Partial Observability
本文将Wasserstein分布鲁棒遗憾最优控制从全信息扩展到部分可观测与测量反馈场景,求解有限时域问题并将其转化为可处理的半定规划,通过仿真验证了其在不确定环境中的鲁棒性和实用性。
2023-07-11 math.OC
Wasserstein Distributionally Robust Inverse Multiobjective Optimization
Amazon(亚马逊);University of Pittsburgh(匹兹堡大学)
逆多目标优化提供了一个通用的框架,为无监督学习任务的推断参数的多目标决策问题(ESTA),根据一组观察到的决定,从人类专家。然而,这个框架的性能关键依赖于一个准确的决策,足够的高质量的决策,和一个参数空间,包含足够的信息的决策的可用性。为了避免假设条件、数据和参数空间的不确定性,本文研究了逆多目标优化的分布鲁棒方法。具体来说,我们利用Wasserstein度量来构建一个以这些决策的经验分布为中心的球。然后,我们制定了Wasserstein分布鲁棒逆多目标最优化问题(WRO-IMOP),最大限度地减少了最坏情况下的预期损失函数,其中最坏的情况下采取了所有的分布在Wasserstein球。我们证明了WRO-IMOP估计的超额风险具有次线性收敛速率。此外,我们提出了半无限的WRO IMOP的重新制定和开发的切割平面算法,收敛到一个近似解在有限的迭代。最后,我们证明了我们的方法的有效性的合成多目标二次规划和现实世界的投资组合最优化问题。
2020-09-30 cs.LG math.OC stat.ML
Distributionally Robust Chance-Constrained Approximate AC-OPF with Wasserstein Metric
机会约束最优潮流(OPF)已被公认为是一个有前途的框架,以管理风险的可变可再生能源(VRE)。在VRE不确定性存在的情况下,本文讨论了一种分布鲁棒机会约束近似AC-OPF。所提出的最优潮流公式中采用的潮流模型结合了名义运行点的精确交流潮流模型和近似线性潮流模型,以反映系统在不确定性下的响应。分布鲁棒公式中采用的模糊集是以经验分布为中心的Wasserstein球。所提出的最优潮流模型使二次费用函数的期望最小化。最坏情况的概率分布,并保证满足模糊度集中的任何分布的机会约束。整个方法是数据驱动的,模糊度集是由历史数据构造的,不需要对概率分布的类型做任何假设,数据越多,模糊度集越小,策略越不保守。此外,特殊的问题结构,建议的问题制定开发一个有效的和可扩展的解决方案的方法。IEEE 14和118节点系统的案例研究进行了近似AC模型的准确性和必要性和有吸引力的功能相比,其他方法来处理不确定性的分布鲁棒优化方法。
2018-04-28 math.OC
Regularization Helps with Mitigating Poisoning Attacks: Distributionally-Robust Machine Learning Using the Wasserstein Distance
CSIRO’s Data61(澳大利亚联邦科学与工业研究组织数据61中心);University of Melbourne(墨尔本大学)
我们使用分布式鲁棒优化机器学习,以减轻数据投毒攻击的影响。我们通过在使用Wasserstein距离定义的经验分布(从中毒攻击损坏的训练数据集中提取)周围的邻域上训练模型的最坏情况分布,为原始数据(不包括中毒记录)上的训练模型提供性能保证。我们放松的分布鲁棒机器学习问题,找到一个上限的最坏情况下的适应度的基础上的经验采样平均适应度和Lipschitz常数的适应度函数(给定的模型参数的数据)作为正则化。对于回归模型,我们证明了这个正则化子等于模型参数的对偶范数。我们使用葡萄酒质量数据集,波士顿住房市场数据集和成人数据集来展示本文的结果。
2020-01-29 cs.CR cs.LG eess.SP
Distributionally Robust Inverse Covariance Estimation: The Wasserstein Shrinkage Estimator
我们引入了一个具有Wasserstein模糊集的分布鲁棒极大似然估计模型,从$n$独立样本中推断$p$维高斯随机向量的逆协方差阵。所提出的模型最大限度地减少了最坏的情况下(最大值)的Stein的损失在所有正常的参考分布在规定的Wasserstein距离的正态分布的特征在于样本均值和样本协方差阵。我们证明,这个估计问题是相当于一个半定的程序,是听话的理论,但超出了通用的解决方案,实际相关的问题尺寸$p$。在没有任何先验结构信息的情况下,估计问题具有自然地被解释为非线性收缩估计的解析解。新的收缩估计量不仅是可逆的,而且对于$p>n$也是条件良好的,而且是旋转等变的,并且保持了样本协方差阵特征值的阶数.这些理想的属性并不是特别强加的,而是从底层的分布鲁棒最优化模型中自然出现的。最后,我们开发了一个序列二次近似算法,有效地解决了一般的估计问题的条件独立约束通常遇到高斯图形模型。
2018-05-18 math.OC q-fin.PM stat.ML
Wasserstein Distributionally Robust Control and State Estimation for Partially Observable Linear Systems
针对扰动与噪声分布未知的部分可观测线性系统,提出Wasserstein分布鲁棒控制与状态估计统一算法,通过半定规划迭代确定最坏情况协方差,实现闭式最优解与分离原理,具有保证成本和样本外性能保证。
2024-06-03 cs.SY eess.SY math.OC
$\texttt{skwdro}$: a library for Wasserstein distributionally robust machine learning
Univ. Grenoble Alpes, CNRS, Grenoble INP, LJK(格勒诺布尔阿尔卑斯大学、国家科学研究中心、格勒诺布尔INP、LJK研究中心)
skwdro是一个基于Wasserstein距离的分布鲁棒优化库,通过PyTorch封装器简化鲁棒机器学习模型的训练。
2026-01-09 cs.LG cs.MS math.OC
Distributionally Fair Stochastic Optimization using Wasserstein Distance
本文提出基于Wasserstein距离的分布公平随机优化(DFSO)框架,最小化群体间效用分布差异,兼顾效率,并给出下界与可表示性分析。
2024-02-09 math.OC
Distributionally Robust Differential Dynamic Programming with Wasserstein Distance
针对未知扰动分布的随机系统最优控制问题,提出一种基于Wasserstein距离的分布鲁棒微分动态规划方法,利用对偶原理推导闭式策略,无需数值求解极小极大问题,具有高效可扩展性。
2023-05-16 cs.SY eess.SY math.OC
Wasserstein Distributionally Robust Optimization: Theory and Applications in Machine Learning
EPFL(洛桑联邦理工学院);Delft University of Technology(代尔夫特理工大学)
本文综述Wasserstein分布鲁棒优化,该方法在样本分布不确定下通过最坏情况分布优化决策,具有凸优化可解性和样本外一致性保证,并推动分类、回归等机器学习任务的新方法。
2024-11-04 cs.LG math.OC stat.ML
On Over-Conservatism Under Low-Probability Extreme Events: A KL-Regularized Wasserstein Distributionally Robust Planning Method
针对低概率极端事件下Wasserstein分布鲁棒规划的过度保守问题,提出KL正则化Wasserstein模糊集,构建两阶段规划模型并通过指数锥规划求解,在标准测试系统上验证了方法的有效性。
2026-10-14 cs.SY eess.SY math.OC
Distributionally Robust Density Control with Wasserstein Ambiguity Sets
本文提出基于Wasserstein模糊集的分布鲁棒密度控制方法,通过仿射反馈控制律引导状态分布至目标模糊集,并施加CVaR约束,以半定规划求解,应用于四旋翼着陆问题。
2024-03-19 cs.SY eess.SY math.OC
A two-step approach to Wasserstein distributionally robust chance- and security-constrained dispatch
本文考虑了可再生能源发电存在时,发电机和线路同时发生事故的安全约束调度问题。由于可再生能源的不确定性建模使用联合机会约束和不匹配所造成的意外事件和可再生能源使用储备处理。我们考虑一个分布鲁棒的方法来解决机会约束规划。我们假设不确定性的样本是可用的。使用它们,我们构建了一组分布,称为模糊集,包含所有的分布,接近经验分布下的Wasserstein度量。对模糊度集中的所有分布施加机会约束,形成分布鲁棒最优化问题。这个问题是非凸的,计算量很大,难以精确求解。我们采用两步的方法来找到一个近似解。在第一步中,我们在不确定性空间中构造一个多面体集,该多面体集在模糊集中的所有分布下都包含足够的质量。这个集合是通过求解几个二维分布鲁棒问题而构造的。在第二步中,我们解决了一个线性鲁棒最优化问题的不确定性约束施加在所有的不确定性值躺在多面体集。我们使用数值实验证明了我们的方法的可扩展性和鲁棒性。
2022-08-16 cs.SY eess.SY math.OC
Wasserstein Distributionally Robust Look-Ahead Economic Dispatch
考虑了可再生能源发电量不确定的前瞻经济调度问题。这个问题的目标是最大限度地减少成本的传统能源发电受到不确定的操作限制。违反这些约束的风险必须低于具有与观察到的过去数据或预测类似的特征的概率分布族的给定阈值。我们提出了两个数据驱动的方法,基于两个新的数学重新制定这个分布式强大的判定问题。第一个是一个易处理的凸规划,其中的不确定性约束定义通过分布鲁棒条件风险值。第二个是一个可扩展的强大的优化程序,产生一个近似的分布鲁棒的机会约束LAED。IEEE 39节点系统的数值实验与真实的太阳能发电数据和预测说明了这些方法的有效性。我们讨论了系统运营商应该如何调整这些技术,以寻求所需的鲁棒性和性能的权衡,我们比较他们的计算可扩展性。
2020-10-31 cs.SY eess.SY math.OC
Policy Gradient Learning for Distributionally Robust Markov Decision Processes under Wasserstein Ambiguity
École Polytechnique(巴黎综合理工学院);CMAP(应用数学中心);School of Mathematical Sciences, Xiamen University(厦门大学数学科学学院)
针对转移核分布不确定的有限时域MDP,提出基于Wasserstein距离的分布鲁棒策略梯度框架,通过鲁棒Bellman递归的Wasserstein对偶重构和方向可微性分析,推导鲁棒策略梯度显式递归形式,并设计鲁棒演员-评论家算法。
2026-07-22 math.OC
Wasserstein Distributionally Robust Stochastic Control: A Data-Driven Approach
Department of Electrical and Computer Engineering, Automation and Systems Research Institute, Seoul National University(首尔国立大学电气与计算机工程系、自动化与系统研究所)
本文研究了在数据驱动下设计鲁棒于经验分布误差的控制策略问题,通过将问题转化为零和动态博弈,提出可计算的价值和策略迭代算法,并为构造ε-最优策略提供迭代次数的显式估计。
2020-11-30 cs.SY eess.SY math.OC
Wasserstein Distributionally Robust Shallow Convex Neural Networks
Department of Electrical Engineering(电气工程系);Polytechnique Montréal(蒙特利尔理工学院);GERAD(GERAD研究中心);Mila(Mila研究中心)
本文提出Wasserstein分布鲁棒浅层凸神经网络,将ReLU浅层网络训练重构为凸优化并纳入分布鲁棒框架,以低随机性、可扩展方式实现可靠非线性预测,并通过实验验证其在能源预测等任务中的性能与稳定性。
2025-08-21 cs.LG math.OC
Second-order Conic Programming Approach for Wasserstein Distributionally Robust Two-stage Linear Programs
提出了一种求解1-Wasserstein球上分布鲁棒两阶段随机线性规划的二阶锥规划方法。我们从只在目标函数中具有分布不确定性的情况出发,将其精确地转化为SOCP问题。然后,我们研究的情况下,分布不确定性的约束,并表明,这样一个强大的计划一般是NP-困难的,因为它涉及到一个多面体的范数最大化问题。然而,如果多面体的极值点作为先验,它被简化为一个SOCP问题。这促使设计一个约束生成算法的可证明收敛近似解决NP难问题。与现有文献形成鲜明对比的是,通过简单地扰动两种情况下的每个样本,将实现最坏情况成本的分布作为“经验”分布给出。最后通过实验验证了该模型在样本外性能和计算复杂性方面的优势。
2020-05-28 cs.SY eess.SY math.OC