因果および連続構造を用いたコンテキスト付き分布的ロバスト最適化：解釈可能で扱いやすいアプローチ

arXiv stat.ML / 2026/4/3

💬 オピニオンIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、基礎となる分布の因果的および連続的構造を活用することで、解釈可能で扱いやすい意思決定規則を導く、コンテキスト付き分布的ロバスト最適化のための枠組みを提案する。
因果 Sinkhorn ディスクリパンシ（CSD）を導入する。これは、因果整合性を維持しつつ連続的な輸送計画を促すことを目的とした、エントロピー正則化された因果 Wasserstein 距離である。
CSD を基に、著者らは Causal Sinkhorn DRO（Causal-SDRO）と呼ばれるコンテキスト付き DRO モデルを定義し、最悪ケースの分布が Gibbs 分布の混合として表される強い双対定式化を導出する。
無限次元のポリシー最適化に対処するため、Soft Regression Forest（SRF）という意思決定規則を提案する。これは、意思決定木の解釈可能性と、完全にパラメトリックで微分可能、かつ Lipschitz 平滑なモデルを組み合わせたものである。
パラメトリックな Causal-SDRO に対して、効率的な確率的合成勾配アルゴリズムを開発し、収束保証を与える。合成データセットおよび実データセットでの実験により、性能と解釈可能性の向上が示されている。