[논문 리뷰] Bulk-Calibrated Credal Ambiguity Sets: Fast, Tractable Decision Making under Out-of-Sample Contamination

Mengqi Chen, Thomas B. Berrett외 2명|arXiv (Cornell University)|2026. 01. 29.

Risk and Portfolio Optimization인용 수 0

한 줄 요약

논문은 imprecise probability를 tractable DRO objective로 변환하는 bulk-calibrated credal ambiguity sets (LV)를 제시하여, 데이터 기반 bulk 보정으로 샘플 외 오염에 대한 빠르고 강건한 의사결정을 가능하게 한다.

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.

연구 동기 및 목표

• 분포적 불확실성과 샘플 외 오염 하에서 로버스트한 의사결정을 유도한다.
• 벌크로 제한된 크리달 모호성 집합(전향 LV)이 닫힌 형식의 최악의 위험도를 산출한다.
• 데이터 기반 벌크 보정으로 유한 표본 보증과 고확률 위험 인증서를 제공한다.
• IP 크리달 세트가 해석 가능한 허용 한계치를 갖는 DRO 목표에 대응함을 보여준다.

제안 방법

• 데이터 기반 중심 분포를 둘러싼 벌크 제한 LV 크리달 모호성 집합을 정의한다.
• 닫힌 형식의 최악의 위험을 도출한다: (1−ε) E_{P_c,Ξ0}[f_x(ξ)] + ε sup_{ξ∈Ξ0} f_x(ξ).
• 일반 손실과 벌크 기하에 대한 실용적인 LP/SOCP 재표현을 제공한다.
• DKW 기반 위험 인증서를 사용하여 점수 기반 선택으로 Ξ0 벌크 집합을 보정한다.
• Huber ε-오염 아래 벌크 내 강건성와 꼬리 제어를 분리하는 위험 한계를 증명한다.
• IP 상한 기대치와 DRO 최악의 위험 간의 등가를 보여준다.

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).

실험 결과

연구 질문

• RQ1 Huber ε-오염하에서 무한대 공간에서 잘 정의된 로버스트 최적화 목표를 어떻게 구성할 수 있는가?
• RQ2 데이터로부터 tractable DRO 형태를 가능하게 하는 질량 보장이 있는 벌크 집합을 학습할 수 있는가?
• RQ3 연속 공간에서의 불완전 확률(크리달 세트)과 분포적으로 강건한 최적화의 관계는 무엇인가?
• RQ4 LV 기반 크리달 세트는 실제 작업에서 경쟁력 있는 성능과 실용적 강건성을 제공하는가?
• RQ5 벌크 보정이 데이터셋과 손실에 따른 계산 효율성 및 강건성 트레이드오프에 어떤 영향을 미치는가?

주요 결과

• 벌크 제한 LV 크리달 모호성 집합은 닫힌 형식의 최악의 위험을 산출한다: (1−ε) E_{P_c,Ξ0}[f_x(ξ)] + ε sup_{ξ∈Ξ0} f_x(ξ).
• 이 방법은 일반적인 손실과 벌크 기하에 대해 실용적인 LP 또는 SOCP 재표현으로 이어진다.
• 데이터를 사용한 DKW 기반 점수 선택으로 Ξ0를 보정하면 높은 확률의 벌크 질량 인증서(1−γ, 신뢰도 1−δ)를 제공한다.
• 무거운 꼬리 분포를 가지는 재고 관리, 배포 시프트 하의 캘리포니아 주택 회귀, 그리고 CivilComments 텍스트 분류에 대한 실험은 경쟁력 있는 강건성-정확도 트레이드오프와 기준선보다 더 빠른 최적화 시간을 보여준다.
• LV 기반 방법은 KL 기반 DRO 및 OR-WDRO 기준선에 비해 오염하에서 일반적으로 우수한 OOS 성능과 더 짧은 해결 시간에 도달하는 경우가 많다.
• 프레임워크는 베이지안, 빈도론적, 또는 경험적 기준 분포를 수용하고 중심 선택에 유연성을 제공한다.

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