研究主题
Tan Jay / 2025-02-26
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)。