CVaR
金融风险管理中广泛使用的风险度量指标，衡量随机变量在最坏(1-α)比例情形下的平均损失，具有次可加性，属于一致性风险度量，近年被引入强化学习与规划领域
时间轴 (近 90 天)
研究者设计了一种新颖的决策规则，能够将每个Credal集映射为单一的预测分布，专门用于CVaR最小化，并在保守性与可用性之间取得平衡。
条件风险价值（CVaR）定义为损失分布中超过某置信水平α的尾部部分的期望值，数学表达为 CVaR_α = E[L | L ≥ VaR_α]，具有凸性和次可加性等优化性质。
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。
学习器从有限数据中估计损失分布必然存在偏差，导致对CVaR的估计偏离真实值，从而削弱甚至逆转风险厌恶的实际效果。
CVaR具有次可加性，属于一致性风险度量
该论文提出的方案在每一步将CVaR应用于信念上的即时成本，而非修改价值函数，从而保留标准期望累积回报作为整体目标并保持标准MDP结构
现有基于CVaR的风险规避方法将静态或动态CVaR应用于价值函数以捕捉轨迹层面的风险，但忽视了信念内部的风险
通过修改价值函数引入风险敏感性会破坏原有问题的标准结构，导致研究者必须设计全新的定制算法而无法复用现有基于期望的规划器
CVaR_α衡量随机变量在最坏的(1-α)比例情形下的平均损失，当α→1时退化为期望值，当α→0时趋近于最坏情况成本
评估尾部风险的常用指标包括条件风险值（CVaR）、最坏情况分析以及对抗性测试
全部知识事实 (10)
研究者设计了一种新颖的决策规则，能够将每个Credal集映射为单一的预测分布，专门用于CVaR最小化，并在保守性与可用性之间取得平衡。
50%待验证条件风险价值（CVaR）定义为损失分布中超过某置信水平α的尾部部分的期望值，数学表达为 CVaR_α = E[L | L ≥ VaR_α]，具有凸性和次可加性等优化性质。
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%待验证学习器从有限数据中估计损失分布必然存在偏差，导致对CVaR的估计偏离真实值，从而削弱甚至逆转风险厌恶的实际效果。
50%待验证CVaR具有次可加性，属于一致性风险度量
50%待验证该论文提出的方案在每一步将CVaR应用于信念上的即时成本，而非修改价值函数，从而保留标准期望累积回报作为整体目标并保持标准MDP结构
50%待验证现有基于CVaR的风险规避方法将静态或动态CVaR应用于价值函数以捕捉轨迹层面的风险，但忽视了信念内部的风险
50%待验证通过修改价值函数引入风险敏感性会破坏原有问题的标准结构，导致研究者必须设计全新的定制算法而无法复用现有基于期望的规划器
50%待验证CVaR_α衡量随机变量在最坏的(1-α)比例情形下的平均损失，当α→1时退化为期望值，当α→0时趋近于最坏情况成本
50%待验证评估尾部风险的常用指标包括条件风险值（CVaR）、最坏情况分析以及对抗性测试
50%