[論文レビュー] Bulk-Calibrated Credal Ambiguity Sets: Fast, Tractable Decision Making under Out-of-Sample Contamination

Mengqi Chen, Thomas B. Berrett+2 more|arXiv (Cornell University)|Jan 29, 2026

Risk and Portfolio Optimization被引用数 0

ひとこと要約

この論文は、データ駆動型の一括校正を用いた体積充填型クレーダル曖昧性集合（LV）を導入し、不確定確率を扱いやすいDRO目的に変換して、データ外の汚染下でも迅速なロバスト意思決定を可能にする。

ABSTRACT

Distributionally robust optimisation (DRO) minimises the worst-case expected loss over an ambiguity set that can capture distributional shifts in out-of-sample environments. While Huber (linear-vacuous) contamination is a classical minimal-assumption model for an $\varepsilon$-fraction of arbitrary perturbations, including it in an ambiguity set can make the worst-case risk infinite and the DRO objective vacuous unless one imposes strong boundedness or support assumptions. We address these challenges by introducing bulk-calibrated credal ambiguity sets: we learn a high-mass bulk set from data while considering contamination inside the bulk and bounding the remaining tail contribution separately. This leads to a closed-form, finite $\mathrm{mean}+\sup$ robust objective and tractable linear or second-order cone programs for common losses and bulk geometries. Through this framework, we highlight and exploit the equivalence between the imprecise probability (IP) notion of upper expectation and the worst-case risk, demonstrating how IP credal sets translate into DRO objectives with interpretable tolerance levels. Experiments on heavy-tailed inventory control, geographically shifted house-price regression, and demographically shifted text classification show competitive robustness-accuracy trade-offs and efficient optimisation times, using Bayesian, frequentist, or empirical reference distributions.

研究の動機と目的

• 分布的不確実性とデータ外の汚染の下でのロバストな意思決定を動機づける。
• 閉形式の最悪ケースリスクを生み出す前方LVの bulk-restricted credal ambiguity sets を導入する。
• 有限サンプル保証と高確率のリスク証明を伴うデータ駆動型の bulk calibration を提供する。
• IP クレーダル集合が解釈可能な許容レベルを伴う DRO 目的と対応することを示す。

提案手法

• データ駆動中心分布の周りに bulk-restricted LV クレーダル曖昧性集合を定義する。
• 閉形式の最悪ケースリスクを導出する： (1−ε) E_{P_c,Ξ0}[f_x(ξ)] + ε sup_{ξ∈Ξ0} f_x(ξ)。
• 一般的な損失・bulk 対象に対して扱いやすいLP/SOCPの改定を提供する。
• DKWに基づくリスク証明付きのスコア選択を用いて Ξ0 をキャリブレーションする。
• Huber ε-汚染の下で bulk 内のロバスト性と尾部制御を分離するリスク界を証明する。
• IP 上限期待値と DRO 最悪ケースリスクの等価性を示す。

Figure 2 : Worst-case distributions $Q^{\star}$ for $\sup_{Q}\mathbb{E}_{\xi\sim Q}[f]$ under forward LV, reverse LV, and TV balls around a centre $\mathbb{P}_{c,\Xi_{0}}$ (loss $f$ plateaus at a small region to avoid Dirac deltas).

実験結果

リサーチクエスチョン

• RQ1 Huber ε-汚染下で有界でない空間で健全性を保つロバスト最適化目的をどう構築できるか。
• RQ2 データから質量保証を伴う bulk 集合を学習して扱いやすいDRO形を作れるか。
• RQ3 連続空間における不確定確率（クレーダル集合）と分布安定最適化の関係は何か。
• RQ4 LVベースのクレーダル集合は実世界のタスクで実用的なロバスト性と競争力の性能を提供するか。
• RQ5 bulk 校正はデータセット・損失関数間で計算効率とロバスト性のトレードオフにどう影響するか。

主な発見

• bulk-restricted LV クレーダル曖昧性集合は閉形式の最悪ケースリスクを生み出す： (1−ε) E_{P_c,Ξ0}[f_x(ξ)] + ε sup_{ξ∈Ξ0} f_x(ξ)。
• 一般的な損失と bulk 幾何に対して扱いやすい LP または SOCP の改定を導く。
• DKWベースのスコア選択を用いた Ξ0 のデータによるキャリブレーションは高確率の bulk- mass 証明書を提供する（1−γ、信頼度 1−δ）。
• 重頭株在庫管理のヘビー尾分布、実運用シフト下のカリフォルニア州住宅回帰、CivilComments テキスト分類の実験では、競争力のロバスト性-精度トレードオフと baselines より高速な最適化時間を示す。
• LV ベースの手法は KL ベースの DRO や OR-WDRO ベースラインと比較して、特に汚染下で優れた OOS 性能と短い解法時間を達成することが多い。
• フレームワークはベイズ、頻度主義、経験的参照分布のいずれにも対応し、中心の選択肢にも柔軟性を持つ。

Figure 3 : Student- $t$ newsvendor (cost: lower-left is better). Top row: OOS mean–variance frontiers for a range of $\varepsilon_{\operatorname{LV}}\in(0,1]$ ; $\varepsilon_{\operatorname{KL}}\in(0,25]$ . OR-WDRO uses $\varepsilon_{\operatorname{LV}}$ in $(0,0.5)$ . Each point represents one $\vare