[논문 리뷰] Distributionally Robust Optimization: A Review

Hamed Rahimian, Sanjay Mehrotra|arXiv (Cornell University)|2019. 08. 13.

Risk and Portfolio Optimization참고 문헌 269인용 수 332

한 줄 요약

분포적으로 강건 최적화(DRO)에 대한 포괄적 고찰로, 그 형식, 관련 개념과의 연결, 해법 방법, 모호성 집합 모델, 보정, 그리고 운용 연구 및 기계 학습에서의 응용을 개괄한다.

ABSTRACT

The concepts of risk-aversion, chance-constrained optimization, and robust optimization have developed significantly over the last decade. Statistical learning community has also witnessed a rapid theoretical and applied growth by relying on these concepts. A modeling framework, called distributionally robust optimization (DRO), has recently received significant attention in both the operations research and statistical learning communities. This paper surveys main concepts and contributions to DRO, and its relationships with robust optimization, risk-aversion, chance-constrained optimization, and function regularization.

연구 동기 및 목표

• 동인 확률 분포의 불확실성과 분포적 애매성으로부터 헷지해야 할 필요성.
• 목표: DRO에 대한 포괄적 고찰을 제공하고 이를 강건 최적화, 위험회피 최적화, 확률 제약, 그리고 규제화와 연결.
• 목적: 애매모호성 집합 모델을 분류하고 해법 방법을 논의하며 보정과 OR 및 ML에서의 응용을 다룬다.

제안 방법

• 일반적인 DRO 모델을 제시하고 그것이 SO와 RO를 어떻게 통합하는지 보인다.
• 컷-잇 방법과 쌍대 방법을 포함한 해법 기법에 대해 논의한다.
• 모호성 집합 구성: 불일치 기반, 모멘트 기반, 형태 보존, 커널 기반 및 일반 집합.
• 강건성 매개변수의 보정과 데이터 기반 DRO 접근법을 설명한다.
• 연구 관계를 설명하기 위해 게임 이론, 위험 측정치 및 규제화와 DRO의 관계를 연결한다.
• 애매모호성 집합에서 P에 대한 최악의 기대값을 통한 목적 함수와 제약 처리의 정의와 구분.

실험 결과

연구 질문

• RQ1 DRO를 어떻게 수식화하여 SO와 RO 사이를 인터폴레이션하면서 분포적 애매성에 대한 헷지를 달성할 수 있는가?
• RQ2 주요 애매모호성 집합 계열은 무엇이며, 그것들이 계산 가능성과 강건성에 어떤 영향을 미치는가?
• RQ3 DRO 모델은 알고리즘적으로 어떻게 해법되며, 컷-폴/쌍대 방법의 역할은 무엇인가?
• RQ4 애매모호성 집합 매개변수는 데이터 기반 접근을 포함하여 어떻게 보정되어야 하는가?
• RQ5 DRO와 위험 측정, 확률 제약, 규제화와 같은 관련 개념 간의 관계는 무엇인가?

주요 결과

• DRO는 분포 집합을 최적화함으로써 확률적 최적화와 강건 최적화 사이의 통합 프레임워크를 제공한다.
• 두 가지 주요 해법 접근 방식은 반무한 혹은 강건 재구성을 위한 컷-서피스 방법과 쌍대 방법이다.
• 불확실성 집합은 불일치, 모멘트, 형태, 커널 또는 일반적 명세를 통해 구성될 수 있어 분포적 불확실성의 유연한 모델링을 가능하게 한다.
• 명목 매개변수 및 강건성 수준의 보정은 데이터 기반이거나 비-데이터 기반일 수 있으며, 이는 보수성 및 성능에 영향을 준다.
• DRO는 위험회피 최적화 및 일관성 있는/법-불변 위험 측정치와 연결되며 통계적 학습에서의 규제화와 관련이 있다.
• 이 프레임워크는 연속 및 유한 샘플 공간을 수용하고 샘플 외 성능 보장 및 점근적 일관성을 뒷받침한다.