鲁棒优化相关 AI 资讯 · AI 热点

6月23日

10:42

10:42

官方账号arXiv cs.LG@Yuhui Yin, Vassilis M. Charitopoulos

论文提出Generative Robust Optimisation (GRO)框架，用深度生成模型（如Wasserstein Adversarial Autoencoder）的解码器图像作为不确定性集，能表达非线性、非对称和多模态依赖。框架包含五个评估标准：重建保真度、分布匹配、潜在空间规整性、鲁棒相关性和计算可处理性。在六个不确定性分布和六种生成架构的生产规划问题以及多周期设施选址实验中，系统关注全部五个标准能同时提升不确定性集的表达力和优化可解性。

论文 Generative Robust Optimisation 鲁棒优化生成模型不确定性量化 Wasserstein Adversarial Autoencoder

推荐理由：这篇论文用生成模型替换传统固定形状的不确定性集，给出了五个可操作的评估标准，生产规划实验数据扎实，搞鲁棒优化或不确定性量化的值得看看。

6月15日

11:10

11:10

官方账号arXiv cs.LG@Pedro Chumpitaz-Flores, My Duong, Juan S. Borrero, Kaixun Hua

论文提出一种基于有限字典和预算约束的不确定性方向选择方法，将选定子集构成原子不确定性集，并推导出闭式支撑函数，使仿射目标的鲁棒优化可解。该方法通过数据驱动规则覆盖评估方向（如梯度、对抗扰动和留出数据偏移），并证明目标函数是单调且子模的，支持贪心算法达到(1-1/e)近似保证，同时给出匹配的难度下界。此外，论文提供选定子集损失的上界证书，以及带样本外控制的半径校准规则。

论文鲁棒优化稀疏设计贪心算法近似保证

推荐理由：教你用贪心算法选关键方向，逼近最优解。