Distributionally Robust Learning
Viele der modernen Techniken zur Lösung von Problemen des überwachten Lernens leiden unter einem Mangel an Interpretierbarkeit und Analysierbarkeit, die nicht zu strengen mathematischen Ergebnissen führen. In dieser Monographie wird ein umfassender statistischer Lernrahmen entwickelt, der Distributionally Robust Optimization (DRO) unter der Wasserstein-Metrik verwendet, um Robustheit gegenüber Störungen in den Daten zu gewährleisten. Die Autoren führen den Leser in die grundlegenden Eigenschaften der Wasserstein-Metrik und der DRO-Formulierung ein, bevor sie die Theorie im Detail und ihre Anwendung erläutern. Sie behandeln eine Reihe von Lernproblemen, darunter (i) verteilungsrobuste lineare Regression.
(ii) Verteilungsrobuste Regression mit Gruppenstruktur in den Prädiktoren.
(iii) Verteilungsrobuste Multi-Output-Regression und Multiklassen-Klassifikation.
(iv) Optimale Entscheidungsfindung, die verteilungsrobuste Regression mit Schätzung der nächsten Nachbarn kombiniert.
(v) Verteilungsrobustes semi-supervised learning.
(vi) Verteilungsrobustes Verstärkungslernen. In der gesamten Monographie verwenden die Autoren Anwendungen aus der Medizin und dem Gesundheitswesen, um die theoretischen Ideen in der Praxis zu veranschaulichen. Dazu gehören numerische Experimente und Fallstudien mit synthetischen und realen Daten. Distributionally Robust Learning bietet einen detaillierten Einblick in eine Technik, die in letzter Zeit viel Interesse an der Entwicklung robuster Lösungen für überwachtes Lernen gefunden hat, die auf soliden mathematischen Prinzipien beruhen. Es wird für Forscher, Praktiker und Studenten, die sich mit der Optimierung von maschinellen Lernsystemen beschäftigen, aufschlussreich sein.
| ISBN: | 9781680837728 |
| Autor: | |
| Verlag: | |
| Sprache: | Englisch |
| Einband: | Taschenbuch |
Derzeit verfügbar, auf Lager.
