使用拉格朗日技术对连续深度模型进行鲁棒性分析
原文中文,约400字,阅读约需1分钟。发表于: 。本文提出一种统一的确定性和统计性 Lagrangian 验证技术,用于量化任何连续时间过程的行为鲁棒性,故文中回顾了 LRT-NG,SLR 和 GoTube 算法,比较了确定性和统计性保证的不同方法,并通过实验证明 Lagrangian 技术在连续深度模型的鲁棒性分析中的卓越性能。
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。提出了一个基于非参数 $f$- 分歧球构建的分布不确定性集合的广义经验似然框架,用于 Hadamard 可微函数和随机优化问题,提供了一个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。给出了分布鲁棒公式的渐近展开,表明如何通过方差规范化问题。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。方法适用于快速混合的平稳序列,包括几何上遗传的 Harris 递归马尔科夫链。