Aprendizaje robusto desde el punto de vista de la distribución

Título original:

Distributionally Robust Learning

Contenido del libro:

Muchas de las técnicas modernas para resolver problemas de aprendizaje supervisado adolecen de una falta de interpretabilidad y analizabilidad que no dan lugar a resultados matemáticos rigurosos. Esta monografía desarrolla un marco integral de aprendizaje estadístico que utiliza la Optimización Distribucionalmente Robusta (DRO) bajo la métrica de Wasserstein para garantizar la robustez frente a perturbaciones en los datos. Los autores presentan al lector las propiedades fundamentales de la métrica de Wasserstein y la formulación DRO, antes de explicar en detalle la teoría y su aplicación. Cubren una serie de problemas de aprendizaje, incluyendo (i) regresión lineal distributivamente robusta.

(ii) regresión distribucionalmente robusta con estructura de grupo en los predictores.

(iii) regresión multisalida y clasificación multiclase robustas desde el punto de vista de la distribución.

(iv) Toma de decisiones óptima que combina la regresión distribucionalmente robusta con la estimación del vecino más próximo.

(v) Aprendizaje semisupervisado robusto desde el punto de vista de la distribución.

(vi) aprendizaje por refuerzo robusto desde el punto de vista de la distribución. A lo largo de la monografía, los autores utilizan aplicaciones en medicina y sanidad para ilustrar las ideas teóricas en la práctica. Incluyen experimentos numéricos y estudios de casos utilizando datos sintéticos y reales. Distributionally Robust Learning ofrece una visión detallada de una técnica que ha cobrado mucho interés recientemente en el desarrollo de soluciones robustas de aprendizaje supervisado que se fundamentan en principios matemáticos sólidos. Será esclarecedor para investigadores, profesionales y estudiantes que trabajen en la optimización de sistemas de aprendizaje automático.