Learning models with uniform performance via distributionally robust optimization
通过分布鲁棒优化学习表现稳定的模型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。
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：摘要是通用分布鲁棒学习理论，未提供宏观预测、金融风险或其他所列方向的直接应用依据。
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…
关注这篇论文的作者
通过分布鲁棒优化学习表现稳定的模型
- 研究问题
- 面对潜在异质子群、未知协变量偏移或未建模的时间影响，如何学习对数据生成分布扰动仍有良好表现的模型？
- 方法与思路
- 作者建立分布鲁棒随机优化框架，给出凸形式与收敛保证，分析有限样本极小极大界及参数极限分布以支持置信区间构造。
- 材料陈述的贡献
- 摘要称，理论揭示分布鲁棒性有时会牺牲收敛速度；在未知子群泛化、细粒度识别和尾部表现等任务中，经常观察到改善。
- 阅读关注点
- 应核对分布扰动集合及其半径、损失函数条件、上下界对应的问题类，以及置信区间和实证比较各自适用的设定。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；性能改善限于摘要所述任务，尾部表现不直接等于金融风险，不能推断其他版本变化。
原文摘要
A common goal in statistics and machine learning is to learn models that can perform well against distributional shifts, such as latent heterogeneous subpopulations, unknown covariate shifts or unmodeled temporal effects. We develop and analyze a distributionally robust stochastic optimization (DRO) framework that learns a model providing good performance against perturbations to the data-generating distribution. We give a convex formulation for the problem, providing several convergence guarantees. We prove finite-sample minimax upper and lower bounds, showing that distributional robustness sometimes comes at a cost in convergence rates. We give limit theorems for the learned parameters, where we fully specify the limiting distribution so that confidence intervals can be computed. On real tasks including generalizing to unknown subpopulations, fine-grained recognition and providing good tail performance, the distributionally robust approach often exhibits improved performance.