概念DRO / Distributionally Robust Optimization
分布鲁棒优化
一种优化方法，不假设数据分布完全已知，而是在预设的模糊集内对最坏情况分布进行优化，使决策对分布偏差具有鲁棒性，广泛应用于机器学习和运筹学领域
时间轴 (近 90 天)
10月30日
标准DRO中，基于散度的球（如KL球）只包含对历史记录的重新加权，而传输球（如Wasserstein球）还会纳入记录之外、甚至数据生成过程无法产生的实现。
待验证50%
10月30日
在DRO中，模糊集的中心选择本身是一个建模决策，编码了对数据生成过程结构的先验知识。
待验证50%
10月12日
在风险厌恶机器学习中，除了CVaR之外，还存在方差惩罚、Wasserstein距离约束以及分布鲁棒优化（DRO）等方法。
待验证50%
10月9日
分布鲁棒优化（DRO）的核心思路是在一个模糊集内优化最坏情况下的表现，而不假设数据分布完全已知
待验证50%
10月9日
当模糊集几何形状与真实预测误差结构不匹配时，需要用很大的半径来覆盖不确定性，从而导致决策过度保守
待验证50%
10月9日
传统DRO方法在模型设定错误时存在非消失的鲁棒性地板，即无论数据多充分决策风险都降不下去的下限
待验证50%
全部知识事实 (6)
待验证
标准DRO中，基于散度的球（如KL球）只包含对历史记录的重新加权，而传输球（如Wasserstein球）还会纳入记录之外、甚至数据生成过程无法产生的实现。
50%待验证在DRO中，模糊集的中心选择本身是一个建模决策，编码了对数据生成过程结构的先验知识。
50%待验证在风险厌恶机器学习中，除了CVaR之外，还存在方差惩罚、Wasserstein距离约束以及分布鲁棒优化（DRO）等方法。
50%待验证分布鲁棒优化（DRO）的核心思路是在一个模糊集内优化最坏情况下的表现，而不假设数据分布完全已知
50%待验证当模糊集几何形状与真实预测误差结构不匹配时，需要用很大的半径来覆盖不确定性，从而导致决策过度保守
50%待验证传统DRO方法在模型设定错误时存在非消失的鲁棒性地板，即无论数据多充分决策风险都降不下去的下限
50%