[논문 리뷰] Quantifying Distributional Model Risk in Marginal Problems via Optimal Transport

Yanqin Fan, Hyeonseok Park외 1명|arXiv (Cornell University)|2023. 07. 03.

Risk and Portfolio OptimizationDecision Sciences인용 수 3

한 줄 요약

이 논문은 참조 측도 주위에 있는 워셔스타인 볼 내에 있는 변량 분포를 가진 변량 문제(W-DMR-MP)에서 워셔스타인 분포 모형 위험을 도입한다. 최적 운반 이론과 강한 이중성 이론을 활용하여, 위험 측도의 유한성, 최적화자 존재성, 연속성을 확립하며, 고전적 매크로프 경계를 분포로 강건한 설정으로 확장한다. 이는 인과 추론, 리스크 관리, 데이터 통합 등 실용적 응용에 기여한다.

ABSTRACT

This paper studies distributional model risk in marginal problems, where each marginal measure is assumed to lie in a Wasserstein ball centered at a fixed reference measure with a given radius. Theoretically, we establish several fundamental results including strong duality, finiteness of the proposed Wasserstein distributional model risk, and the existence of an optimizer at each radius. In addition, we show continuity of the Wasserstein distributional model risk as a function of the radius. Using strong duality, we extend the well-known Makarov bounds for the distribution function of the sum of two random variables with given marginals to Wasserstein distributionally robust Markarov bounds. Practically, we illustrate our results on four distinct applications when the sample information comes from multiple data sources and only some marginal reference measures are identified. They are: partial identification of treatment effects; externally valid treatment choice via robust welfare functions; Wasserstein distributionally robust estimation under data combination; and evaluation of the worst aggregate risk measures.

연구 동기 및 목표

• 부분적인 변량 정보만 제공되는 변량 문제에서의 모형 오특사용 및 분포 이동 문제를 다루기 위해.
• 변량이 워셔스타인 볼 내에서 불확실할 경우에 분포 모형 위험을 정량화하기 위한 통합 프레임워크를 개발하기 위해.
• 최적 운반 도구를 활용하여 고전적 매크로프 경계를 워셔스타인 불확실성 하에서 분포로 강건한 설정으로 확장하기 위해.
• 제안된 워셔스타인 분포 모형 위험에 대해 이중성, 유한성, 최적화자 존재성, 연속성 등의 이론적 보장을 제공하기 위해.
• 치료 효과 추정, 강건한 복지 분석, 데이터 통합, 최악의 경우 리스크 평가 등 실용적 응용을 가능하게 하기 위해.

제안 방법

• 각 변량 측도가 參준 측도를 중심으로 하는 워셔스타인 볼 내에 제약을 받는 변량 문제에서의 워셔스타인 분포 모형 위험(W-DMR-MP)을 수립한다.
• 레지온드르-펜켈 변환을 통한 강한 이중성 원리를 적용하여 위험 최소화 문제를 최적 운반 계획을 포함하는 이중 형태로 재구성한다.
• 최적 운반 이론을 활용하여 비중복 및 중복 변량 사례 모두에 대해 이중 표현을 유도한다.
• 워셔스타인 반경에 대한 위험 측도의 연속성을 확립하여, 불확실성 집합의 소규모 변형에 대한 안정성을 보장한다.
• 워셔스타인 불확실성 하에서 이중 표현을 활용하여 고전적 매크로프 경계를 분포로 강건한 형태로 확장한다.
• 비용 함수와 쌍화 측도의 사용을 포함한 볼록 해석학 및 최적 운반 이론 도구를 활용하여 이론적 성질을 도출한다.

실험 결과

연구 질문

• RQ1 진정한 공동 분포가 알려져 있지 않고 부분적인 변량 정보만 제공될 경우, 분포 모형 위험은 어떻게 정량화할 수 있는가?
• RQ2 워셔스타인 변량 문제에서의 분포 모형 위험에 대한 이론적 성질—강한 이중성, 유한성, 연속성 등—은 무엇인가?
• RQ3 랜덤 변수의 합에 대한 고전적 매크로프 경계는 워셔스타인 불확실성 하에서 분포로 강건한 설정으로 확장될 수 있는가?
• RQ4 제안된 프레임워크는 치료 효과 추정 및 리스크 관리와 같은 응용에서 강건한 추론과 의사결정을 어떻게 지원하는가?
• RQ5 최적화자 존재성과 워셔스타인 반경의 변형에 대한 위험 측도의 안정성을 보장하는 조건은 무엇인가?

주요 결과

• 모든 반경에 대해 워셔스타인 변량 문제에서의 분포 모형 위험은 유한하며 최적화자가 존재하여 문제의 잘 정의됨이 보장된다.
• 표준 조건 하에서 비중복 및 중복 변량 사례 모두에 대해 강한 이중성이 성립하여 위험 최소화 문제의 이중 재구성이 가능하다.
• 워셔스타인 볼 반경에 대한 위험 측도는 연속적이며, 불확실성 집합의 소규모 변형에 대해 안정성을 보장한다.
• 고정된 변량을 가진 랜덤 변수의 스무스 기능의 기대값 집합은 유한성과 최적화자 존재성으로 인해 닫힌 구간이 된다.
• 이중 표현을 활용하여 고전적 매크로프 경계를 워셔스타인 분포로 강건한 형태—워셔스타인 분포로 강건한 매크로프 경계—로 확장한다.
• 이중 표현은 다중 데이터 소스에서 변량 식별이 불완전한 응용 분야에서 효율적인 계산과 이론적 분석을 가능하게 한다.