Posterior and Likelihood Sensitivity in Bayesian Distributionally Robust Optimization
贝叶斯分布稳健优化中的后验与似然敏感度AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用贝叶斯优化与模型扰动敏感度，未提供对应所列宏观、微观或金融细分领域的明确证据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
贝叶斯分布稳健优化中的后验与似然敏感度
- 研究问题
- 贝叶斯决策的样本外期望成本分别对后验分布和似然扰动有多敏感？参数学习能消除哪些不确定性，又留下哪些稳健性问题？
- 方法与思路
- 作者定义最坏情形后验与似然敏感度，在由偏离度量构造的不确定性集合上推导表达，并分析分布稳健优化中的成本与敏感度权衡。
- 材料陈述的贡献
- 摘要称后验方差趋零可消除后验敏感度，但参数学习不能消除似然敏感度；所述稳健优化在性能与两类敏感度间实现近帕累托最优权衡。
- 阅读关注点
- 应核对偏离度量及不确定性集合、两类敏感度的定义域，以及近帕累托最优的精确定义、误差界和适用条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明具体优化问题及保证条件，无法据此评价实际决策的稳健程度。
原文摘要
We introduce the notion of worst-case posterior and worst-case likelihood sensitivity. These measure, respectively, the sensitivity of the expected cost to worst-case perturbations of the posterior distribution and worst-case perturbations of the likelihood of a Bayesian model. Each defines a quantitative measure of robustness. A decision maker concerned about the sensitivity of the out-of-sample expected cost to deviations from her assumptions will want a decision for which both sensitivities are small. We derive posterior and likelihood sensitivities for uncertainty sets defined in terms of deviation measures. Posterior sensitivity vanishes when the posterior variance shrinks to zero, which occurs when parameter uncertainty is eliminated from learning. Parameter learning does not eliminate likelihood sensitivity. A distributionally robust formulation of a Bayesian optimization problem makes a near-Pareto-optimal tradeoff between performance (expected cost) and robustness (posterior and likelihood sensitivity).