Distributionally Robust Learning
A felügyelt tanulási problémák megoldására szolgáló számos modern technika az értelmezhetőség és elemezhetőség hiányától szenved, amelyek nem vezetnek szigorú matematikai eredményekhez. Ez a monográfia egy átfogó statisztikai tanulási keretrendszert dolgoz ki, amely a vízsteini metrika szerinti Distributionally Robust Optimizationt (DRO) alkalmazza az adatok perturbációival szembeni robusztusság biztosítására. A szerzők bevezetik az olvasót a Wasserstein-metrika és a DRO-formuláció alapvető tulajdonságaiba, majd részletesen ismertetik az elméletet és annak alkalmazását. Egy sor tanulási problémával foglalkoznak, többek között (i) az eloszlás szempontjából robusztus lineáris regresszióval.
(ii) eloszlásilag robusztus regresszió a prediktorokban lévő csoportstruktúrával.
(iii) elosztásilag robusztus többkimenetű regresszió és többosztályos osztályozás.
(iv) optimális döntéshozatal, amely kombinálja a disztribúciósan robusztus regressziót a legközelebbi szomszéd becsléssel.
(v) eloszlásilag robusztus félig felügyelt tanulás.
(vi) elosztási szempontból robusztus megerősítő tanulás. A monográfia során a szerzők az elméleti elképzelések gyakorlati illusztrálására orvosi és egészségügyi alkalmazásokat használnak. Számszerű kísérleteket és esettanulmányokat tartalmaznak szintetikus és valós adatok felhasználásával. A Distributionally Robust Learning részletes betekintést nyújt egy olyan technikába, amely az utóbbi időben nagy érdeklődésre tett szert a szilárd matematikai alapokon nyugvó robusztus felügyelt tanulási megoldások kifejlesztése terén. A könyv tanulságos lesz a gépi tanulási rendszerek optimalizálásával foglalkozó kutatók, gyakorlati szakemberek és hallgatók számára.