不确定性决策学习，普林斯顿Bartolomeo Stellato讲授，附Slides与视频

针对受不确定数据影响的决策问题，提出两种数据驱动的不确定集学习方法。**在本演讲的第一部分中，我们介绍平均鲁棒优化(MRO)，一种使用机器学习聚类在鲁棒优化和Wasserstein分布式鲁棒优化之间建立桥梁的通用框架。MRO基于聚类数据而不是直接基于观测数据构建不确定性集合，从而显著降低了问题规模。**展示了有限样本的性能保证，并明确控制任何聚类过程引入的潜在悲观情绪。在几个数值例子上说明了所提出框架的好处，获得了多个数量级的计算加速，对解决方案质量几乎没有影响。在演讲的第二部分，我们将介绍一种在鲁棒优化中自动重塑和调整不确定性集大小的学习技术。该方法依赖于将鲁棒优化问题的解与定义不确定性集合的参数区分开来。该方法非常灵活，可以在保持易处理性的同时学习各种不确定性集。在LRO软件包中实现了上述工作，该软件包可以自然地表达受不确定数据影响的决策问题，并自动学习相应的鲁棒优化公式。在投资组合优化、最优控制和库存管理方面的数值实验表明，该方法在样本外性能和约束满足保证方面优于传统的鲁棒优化方法。

Bartolomeo Stellato是普林斯顿大学运筹学和金融工程系的助理教授。Bartolomeo Stellato是普林斯顿大学电气与计算机工程系、统计与机器学习中心以及机器人研究中心的副教授。我也是普林斯顿惠特曼学院的研究员。研究方向是数学优化、机器学习和最优控制。它专注于数据驱动的计算工具，以在高度动态和不确定的环境中做出决策。

https://stellato.io/