概念KL散度分布鲁棒优化 / KL-DRO with learned nominal distribution
KL-DRO
一种分布鲁棒优化（DRO）范式，将KL散度球的中心从经验分布移向学习到的密度模型，以在保留结构外推能力的同时避免对不可能事件的过度对冲。
时间轴 (近 90 天)
10月30日
将KL球居中于学习模型后，求解面临困难：问题只能容纳少量场景，而同等规模的独立采样很可能遗漏最坏情况所集中的稀有实现。
待验证50%
10月30日
研究人员设计了自适应场景集构建方法，在求解有限问题与从学习名义分布中抽取新实现之间交替进行。
待验证50%
10月30日
新样本的抽取被引导向当前决策下的最坏情况，并通过重要性权重校正回模型分布。
待验证50%
10月30日
在多物品报童问题和基于真实电网数据的容量扩展问题上的实验表明，当记录稀缺且模型类能够捕捉结构时，将球心设在学习名义分布而非记录上，可在分布偏移下降低总成本，而分布内成本保持可比。
待验证50%
10月30日
学习名义分布的优势并非无条件成立：随着记录规模增长，或当分布偏移偏离模型所学到的结构时，增益会逐渐消退。
待验证50%
全部知识事实 (5)
待验证
将KL球居中于学习模型后，求解面临困难：问题只能容纳少量场景，而同等规模的独立采样很可能遗漏最坏情况所集中的稀有实现。
50%待验证研究人员设计了自适应场景集构建方法，在求解有限问题与从学习名义分布中抽取新实现之间交替进行。
50%待验证新样本的抽取被引导向当前决策下的最坏情况，并通过重要性权重校正回模型分布。
50%待验证在多物品报童问题和基于真实电网数据的容量扩展问题上的实验表明，当记录稀缺且模型类能够捕捉结构时，将球心设在学习名义分布而非记录上，可在分布偏移下降低总成本，而分布内成本保持可比。
50%待验证学习名义分布的优势并非无条件成立：随着记录规模增长，或当分布偏移偏离模型所学到的结构时，增益会逐渐消退。
50%