抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
ロバスト性の研究は,多くのシステムが不確実性に直面したデータ駆動設定における不可解性のために,多くの注目を集めている。このような関心事の1つはBayes最適化(BO)であり,そこでは不確実性が多面的であるが,この方向に対して専用の限られた数の仕事しか存在しない。特に,DROのレンズからBO問題を鋳造することにより,分布的にロバストな最適化(DRO)の既存の文献を橋渡しするKirschnerら(2020)の研究がある。この作業は先駆的であるが,それは,有限コンテキスト仮定のような様々な実用的欠点に悩まされ,このDRO-BO問題を解くための計算的扱いやすいアルゴリズムを考案する。本研究では,χ ̄2発散,全変動,および現存のKullback-Leibler(KL)発散のような多くの一般的な選択を和らげる,φ-発散におけるデータシフトに対するロバスト性を考慮することにより,この疑問を大きな普遍性に取り組んだ。この設定におけるDRO-BO問題は,連続コンテキスト設定においても,プロービング可能なサブ線形レグレット限界で容易に実装できる有限次元最適化問題と同等であることを示した。次に,著者らの方法が既存の方法を凌駕し,理論結果を証明した。【JST・京大機械翻訳】