distributional robust optimization (DRO)

经验似然，保形推断，公平性，差分隐私，不确定量化，f散度与DRO关系紧密，其中公平性，差分隐私是distribution shift 包装问题；经验似然，保形推断是在 distribution shift 问题背景下保持分布稳健的方法；f散度度量了 distribution shift 的偏移程度；不确定量化是检测和缓解 distribution shift 的核心工具。这些方法的结合可提升模型在开放环境中的安全性与可信度（如医疗、自动驾驶等高风险场景）。

经验似然 empirical likelihood

保形推断 conformal inference

公平性 fairness

• 文章
• 代码
  • https://fate-computing.mpi-sws.org/
  • https://github.com/mbilalzafar/fair-classification

不确定量化 uncertainty quantification

差分隐私 Differential privacy

f散度