Uczenie się odporne na dystrybucję

Oryginalny tytuł:

Distributionally Robust Learning

Zawartość książki:

Wiele nowoczesnych technik rozwiązywania problemów uczenia nadzorowanego cierpi z powodu braku możliwości interpretacji i analizy, które nie dają podstaw do uzyskania rygorystycznych wyników matematycznych. Niniejsza monografia rozwija kompleksowe ramy uczenia statystycznego, które wykorzystują optymalizację odporną dystrybucyjnie (DRO) w ramach metryki Wassersteina, aby zapewnić odporność na perturbacje w danych. Autorzy wprowadzają czytelnika w podstawowe właściwości metryki Wassersteina i sformułowania DRO, a następnie szczegółowo wyjaśniają teorię i jej zastosowanie. Omawiają oni szereg problemów związanych z uczeniem się, w tym (i) regresję liniową odporną dystrybucyjnie.

(ii) regresję odporną dystrybucyjnie ze strukturą grupową w predyktorach.

(iii) odporną dystrybucyjnie regresję wielowynikową i klasyfikację wieloklasową.

(iv) optymalne podejmowanie decyzji, które łączy regresję odporną dystrybucyjnie z estymacją najbliższego sąsiada.

(v) uczenie półnadzorowane z odpornością dystrybucyjną.

(vi) dystrybucyjnie odporne uczenie ze wzmocnieniem. W całej monografii autorzy wykorzystują zastosowania w medycynie i opiece zdrowotnej, aby zilustrować teoretyczne idee w praktyce. Obejmują one eksperymenty numeryczne i studia przypadków z wykorzystaniem danych syntetycznych i rzeczywistych. Distributionally Robust Learning zapewnia szczegółowy wgląd w technikę, która zyskała ostatnio duże zainteresowanie w opracowywaniu solidnych rozwiązań uczenia nadzorowanego, które opierają się na solidnych zasadach matematycznych. Będzie to pouczające dla naukowców, praktyków i studentów pracujących nad optymalizacją systemów uczenia maszynowego.