用留出数据校准模糊集，DT-DRO消除非消失鲁棒下限，决策质量显著提升
Calibrating Ambiguity Set via Diagnostic Transport for Distributionally Robust Optimization
📖 AI 总结
本文提出一种名为诊断传输分布鲁棒优化（DT-DRO）的新方法，旨在解决传统分布鲁棒优化中因模糊集几何结构与实际预测误差不匹配而导致的决策过度保守问题。该方法利用留出校准数据，通过条件概率积分变换累积分布函数诊断系统性概率分配偏差，并将这一信息转化为结果层面的传输，同时调整模糊集的中心与基础代价，且所得模型具有可计算的等价对偶形式。理论分析给出了有效的模糊半径与决策风险保证，证明随着估计与近似误差减小，保证会逐步收紧，并表明DT-DRO能够消除由模型误设引起的不消失鲁棒性下限。合成实验与停电应用案例显示，该方法在结构误设和尾部误设情形下均能提升决策质量。
🔑 关键词速览
| 分布鲁棒优化 (DRO) | 一种优化方法，考虑分布不确定性，在模糊集上优化决策以抵御分布变化。 |
| 模糊集 | 表示分布不确定性的集合，通常围绕一个名义分布构建，用于鲁棒优化。 |
| 诊断传输DRO (DT-DRO) | 本文提出的方法，利用校准数据调整模糊集几何形状，通过传输机制改进决策。 |
| 条件概率积分变换累积分布函数 | 用于诊断预测分布与真实分布之间概率错配的统计工具，基于条件概率积分变换。 |
| 模型误设 | 指模型假设与真实数据生成过程不一致的情况，可能导致鲁棒优化中的保守性。 |
📱 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