Apprendimento distribuzionalmente robusto

Titolo originale:

Distributionally Robust Learning

Contenuto del libro:

Molte delle moderne tecniche per risolvere problemi di apprendimento supervisionato soffrono di una mancanza di interpretabilità e analizzabilità che non dà luogo a risultati matematici rigorosi. Questa monografia sviluppa un quadro di apprendimento statistico completo che utilizza l'ottimizzazione robusta dal punto di vista distributivo (DRO) sotto la metrica di Wasserstein per garantire la robustezza alle perturbazioni dei dati. Gli autori introducono il lettore alle proprietà fondamentali della metrica di Wasserstein e della formulazione DRO, prima di spiegare in dettaglio la teoria e la sua applicazione. Gli autori affrontano una serie di problemi di apprendimento, tra cui (i) la regressione lineare robusta dal punto di vista distributivo.

(ii) regressione distributivamente robusta con struttura di gruppo nei predittori.

(iii) regressione multioutput e classificazione multiclasse robuste dal punto di vista distributivo.

(iv) processo decisionale ottimale che combina la regressione distributionally robust con la stima nearest-neighbor.

(v) apprendimento semi-supervisionato distribuzionalmente robusto.

(vi) l'apprendimento di rinforzo robusto dal punto di vista distributivo. In tutta la monografia, gli autori utilizzano applicazioni in medicina e assistenza sanitaria per illustrare le idee teoriche nella pratica. Includono esperimenti numerici e casi di studio che utilizzano dati sintetici e reali. Distributionally Robust Learning fornisce una visione dettagliata di una tecnica che ha riscosso un notevole interesse negli ultimi tempi per lo sviluppo di soluzioni robuste di apprendimento supervisionato, fondate su solidi principi matematici. Sarà illuminante per i ricercatori, i professionisti e gli studenti che lavorano all'ottimizzazione dei sistemi di apprendimento automatico.