Distribučne robustné učenie

Pôvodný názov:

Distributionally Robust Learning

Obsah knihy:

Mnohé z moderných techník na riešenie problémov učenia pod dohľadom trpia nedostatočnou interpretovateľnosťou a analyzovateľnosťou, ktoré nevedú k prísnym matematickým výsledkom. V tejto monografii sa vyvíja komplexný rámec štatistického učenia, ktorý využíva distribučne robustnú optimalizáciu (DRO) podľa Wassersteinovej metriky na zabezpečenie robustnosti voči poruchám v údajoch. Autori oboznamujú čitateľa so základnými vlastnosťami Wassersteinovej metriky a formuláciou DRO a následne podrobne vysvetľujú teóriu a jej aplikáciu. Venujú sa sérii problémov učenia vrátane (i) distribučne robustnej lineárnej regresie.

(ii) distribučne robustnú regresiu so skupinovou štruktúrou v prediktoroch.

(iii) distribučne robustná regresia s viacerými výstupmi a klasifikácia viacerých tried.

(iv) optimálne rozhodovanie, ktoré kombinuje distribučne robustnú regresiu s odhadom najbližšieho suseda.

(v) distribučne robustné učenie s čiastočným dohľadom.

(vi) distribučne robustné učenie posilňovania. V celej monografii autori používajú aplikácie v medicíne a zdravotníctve na ilustráciu teoretických myšlienok v praxi. Zahŕňajú numerické experimenty a prípadové štúdie s použitím syntetických a reálnych údajov. Distribučne robustné učenie poskytuje podrobný pohľad na techniku, ktorá si v poslednom čase získala veľký záujem o vývoj robustných riešení učenia pod dohľadom, ktoré sú založené na zdravých matematických princípoch. Bude poučná pre výskumníkov, odborníkov z praxe a študentov, ktorí sa zaoberajú optimalizáciou systémov strojového učenia.