统计学习理论下的实用性泛化与认识不确定性

本文研究了基于经验似然和分布鲁棒解的方法进行随机优化问题的统计推断，特别关注最优值的置信区间和渐近达到精确覆盖的解决方案。通过非参数 $f$- 分歧球构建的分布不确定性集合的广义经验似然框架，提供了选择分布不确定性区域大小的方法，以实现达到精确覆盖的单侧和双侧置信区间。最后，证明了研究的分布鲁棒公式的优化器具有与经典样本平均逼近中的优化器基本相同的一致性属性。