Descripción
Muchas de las técnicas modernas para resolver problemas de aprendizaje supervisado sufren de una falta de interpretabilidad y analizabilidad que no dan lugar a resultados matemáticos rigurosos. Esta monografía desarrolla un marco integral de aprendizaje estadístico que utiliza la Optimización Robusta Distribucional (DRO) bajo la métrica de Wasserstein para asegurar la robustez a las perturbaciones
en los datos.
Los autores introducen al lector las propiedades fundamentales de la métrica de Wasserstein y la formulación DRO, antes de explicar la teoría en detalle y su aplicación. Cubren una serie de problemas de aprendizaje, incluyendo (i) regresión lineal robusta distribucionalmente; (ii) regresión robusta distribucionalmente con estructura de grupo en los predictores; (iii) regresión de múltiples salidas y clasificación multiclase robusta distribucionalmente; (iv) toma de decisiones óptima que combina regresión robusta distribucionalmente con estimación de vecinos cercanos; (v) aprendizaje semi-supervisado robusto distribucionalmente; (vi) aprendizaje por refuerzo robusto distribucionalmente. A lo largo de la monografía, los autores utilizan aplicaciones en medicina y atención médica para ilustrar las ideas teóricas en la práctica. Incluyen experimentos numéricos y estudios de caso utilizando datos sintéticos y reales.
Distributionally Robust Learning proporciona una visión detallada de una técnica que ha ganado mucho interés recientemente en el desarrollo de soluciones de aprendizaje supervisado robustas que se basan en principios matemáticos sólidos. Será esclarecedor para investigadores, profesionales y estudiantes que trabajen en la optimización de sistemas de aprendizaje automático.
Autor: Ruidi Chen, Ioannis Ch Paschalidis
Editorial: Now Publishers
Publicado: 23/12/2020
Páginas: 258
Tipo de encuadernación: Tapa blanda
Peso: 0.81lbs
Tamaño: 9.21h x 6.14w x 0.54d
ISBN13: 9781680837728
ISBN10: 1680837729
Categorías BISAC:
- Matemáticas | Optimización
- Tecnología e Ingeniería | Eléctrica