【MLA 2019】机器学习中分布式鲁棒优化的一阶算法框架( Towards a First-Order Algorithmic Framework for Distributionally Robust Optimization in Machine Learning),香港中文大学 苏文藻

题目： Towards a First-Order Algorithmic Framework for Distributionally Robust Optimization in Machine Learning

报告人： 苏文藻 教授 香港中文大学

摘要： 分布鲁棒性优化（DRO）是在不确定性条件下进行最佳决策的范例。它假设，优化问题的手头上的数据都遵循一个未知的概率分布从某些已知的family中，旨在发现，相对于在family中的分布最差表现最好的决定。最近，DRO在机器学习社区中引起了很多关注，因为它提供了有趣的正则化解释并激发了各种学习任务的新方法。尽管在学习环境中出现的许多DRO问题都允许凸重构，但目前缺少快速迭代的方法来解决它们。这严重限制了DRO方法在机器学习中的适用性。在本次演讲中，我们将首先调查DRO和机器学习之间最近发现的一些联系。然后，我们将为Wasserstein分布鲁棒回归问题提供一个新的一阶算法框架。最后，我们将讨论一些未来的研究方向。