Învățarea robustă din punct de vedere al distribuției

Titlul original:

Distributionally Robust Learning

Conținutul cărții:

Multe dintre tehnicile moderne de rezolvare a problemelor de învățare supravegheată suferă de o lipsă de interpretabilitate și analizabilitate care nu dau naștere la rezultate matematice riguroase. Această monografie dezvoltă un cadru cuprinzător de învățare statistică care utilizează optimizarea robustă din punct de vedere distribuțional (DRO) sub metrica Wasserstein pentru a asigura robustețea la perturbațiile din date. Autorii introduc cititorul în proprietățile fundamentale ale metricii Wasserstein și ale formulării DRO, înainte de a explica în detaliu teoria și aplicarea acesteia. Ei acoperă o serie de probleme de învățare, inclusiv (i) regresia liniară robustă din punct de vedere distribuțional.

(ii) regresia robustă din punct de vedere distribuțional cu structură de grup în predictori.

(iii) regresia robustă din punct de vedere distribuțional cu ieșiri multiple și clasificarea multiclasă.

(iv) luarea de decizii optime care combină regresia robustă din punct de vedere distributiv cu estimarea celei mai apropiate vecinătăți.

(v) învățarea semi-supervizată robustă din punct de vedere distribuțional.

(vi) învățarea prin consolidare robustă din punct de vedere al distribuției. Pe tot parcursul monografiei, autorii folosesc aplicații din medicină și asistență medicală pentru a ilustra ideile teoretice în practică. Ei includ experimente numerice și studii de caz folosind date sintetice și reale. Distributionally Robust Learning oferă o perspectivă detaliată asupra unei tehnici care a câștigat mult interes recent în dezvoltarea de soluții robuste de învățare supravegheată, care sunt fondate pe principii matematice solide. Acesta va fi lămuritor pentru cercetătorii, practicienii și studenții care lucrează la optimizarea sistemelor de învățare automată.