生成式AI破解Sinkhorn鲁棒检测，精度飙升还省算力！
Generative Neural Networks for Sinkhorn Distributionally Robust Hypothesis Testing
📖 AI 总结
本文研究Sinkhorn分布鲁棒假设检验（SDRHT）问题，旨在针对以经验分布为中心的Sinkhorn散度模糊集，构建对最不利分布具有鲁棒性的检测器。传统方法依赖大规模锥规划求解，扩展性受限。作者提出一种生成式框架，通过学习最不利分布实现高效训练与端到端采样。核心创新在于：首先推导出Sinkhorn散度模糊集与核平滑参考分布的条件KL散度等价表示，进而证明约束与非约束极小极大SDRHT公式的强对偶性；其次，基于闭式最优检测器与Brenier定理，将极大极小对偶问题转化为关于凸势函数的极大化问题，其梯度刻画核平滑分布与最不利分布间的可逆传输映射。这些势函数通过超输入凸神经网络（HyCNNs）配合随机梯度估计器高效逼近，并证明了HyCNNs的表达能力及其诱导传输映射的分布普适性。数值实验表明，该方法在不同样本量与维度下均取得更优的准确性与鲁棒性，有效克服了经典SDRHT方法的扩展瓶颈。
🔑 关键词速览
| Sinkhorn distributionally robust hypothesis testing (SDRHT) | 一种基于Sinkhorn散度模糊集的分布鲁棒假设检验方法，旨在对最不利分布具有鲁棒性。 |
| Sinkhorn discrepancy | 一种基于最优传输理论的分布距离度量，通过熵正则化近似Wasserstein距离，计算更高效。 |
| Hyper Input Convex Neural Networks (HyCNNs) | 一种输入为凸的神经网络结构，用于近似凸势函数，保证输出关于输入的凸性。 |
| Brenier's theorem | 最优传输理论中的定理，指出在二次成本下，最优传输映射可由凸函数的梯度表示。 |
| strong duality | 优化理论中的性质，指原问题与对偶问题的最优值相等，常用于简化求解。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅