分布的にロバストな経験的最適化モデルのキャリブレーション【JST・京大機械翻訳】

Gotoh Jun-Ya; Kim Michael Jong; Lim Andrew E. B.

プレプリント

J-GLOBAL ID：202202220822353228 整理番号：22P0043002

分布的にロバストな経験的最適化モデルのキャリブレーション【JST・京大機械翻訳】

Calibration of Distributionally Robust Empirical Optimization Models

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2017年11月17日プレプリントサーバーでの情報更新日： 2020年05月18日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

滑らかなφ-発散ペナルティと滑らかな凹形目的関数を有するロバスト経験的最適化問題のサンプル外特性を研究し,名目モデルからの偏差のサイズを制御する非負性「ロバスト性パラメータ」δのデータ駆動キャリブレーションのための理論を開発した。ロバスト最適化が報酬分布の広がりを制御することで,モデルの誤差に対する期待報酬の感度を低減するという直感に基づき,ロバスト性の「実現ビットの1次利益(すなわち,δ小,正)は,サンプル外報酬の分散における有意な減少であり,一方,平均に対する対応する影響は,ロバスト性パラメータが適切に較正されるならば,ほとんどコストで,実質的な分散(感度)低減が,ほぼ1桁小さいことを示した。この目的のために,ロバスト平均分散フロンティアの概念を導入し,ロバスト性パラメータを選択し,ブートストラップのような再サンプリング法を用いて近似できることを示した。用例は,”オープンループ”キャリブレーション法(例えば,データおよび目的関数に関係なく90%信頼レベルの選択)から生じるロバスト解は,非常に保守的なサンプル外であり,一方,分散に関して,サンプル外予測報酬(例えばブートストラップ)の推定を最適化するロバスト性パラメータに対応するロバスト性パラメータは,しばしば十分にロバストではないことを示した。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

システム・制御理論一般 , 構造力学一般 , 数理計画法

, , , ,

前のページに戻る