MARC

 008250123s2024        us                              c    eng  d
■001000017164660
■00520250211153028
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798342747066
■035    ▼a(MiAaPQ)AAI31634535
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a519.5
■1001  ▼aZeng,  Yibo.
■24510▼aDistributional  Robustness  and  Machine  Learning  Methods  for  Stochastic  Decision-Making
■260    ▼a[Sl]▼bColumbia  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a224  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-05,  Section:  B.
■500    ▼aAdvisor:  Lam,  Henry;namkoong,  Hongseok.
■5021  ▼aThesis  (Ph.D.)--Columbia  University,  2024.
■520    ▼aRecently,  data-driven  methods  are  increasingly  shaping  decision-making  across  domains  such  as  classification,  prediction,  optimization,  and  resource  allocation.  While  machine  learning  advancements  have  been  pivotal,  current  models  can  be  insufficient  to  handle  unseen  uncertainties  from  future  data  or  new  application  domains,  leading  to  unreliable  decisions  and  performance  risks.  This  thesis  explores  how  distributionally  robust  methods  can  be  combined  with  modern  machine  learning  techniques  to  ensure  more  reliable  decision-making.  We  develop  new  theoretical  results  and  achieve  state-of-the-art  empirical  results  in  three  areas:  generalization  bounds  in  machine  learning,  queue  scheduling  with  prediction  errors,  and  tabular  classification  under  Y|X  shifts.The  work  is  organized  into  three  chapters.  In  Chapter  2,  we  derive  novel  generalization  bounds  for  distributionally  robust  optimization  (DRO).  Our  analysis  implies  generalization  bounds  whose  dependence  on  the  hypothesis  class  appears  the  minimal  possible:  The  bound  depends  solely  on  the  true  loss  function,  independent  of  any  other  candidates  in  the  hypothesis  class.  To  our  best  knowledge,  it  is  the  first  generalization  bound  of  this  type  in  the  literature.  Chapter  3  investigates  optimal  scheduling  in  service  systems  with  prediction  errors.  We  develop  a  near-optimal  index-based  policy  that  incorporates  predicted  class  information.  Our  results  guide  model  selection  with  a  focus  on  downstream  queueing  performance  and  offer  insights  into  designing  queueing  systems  with  AI-based  triage.  In  Chapter  4,  we  study  tabular  data  classification  under  \uD835\uDC4C|X  shift.  We  not  only  build  a  large-scale  testbed,  but  also  demonstrate  that  large  language  model  (LLM)  embeddings  significantly  improve  classification  performance,  even  with  few  labeled  samples  from  the  target  domain.
■590    ▼aSchool  code:  0054.
■653    ▼aDistributional  robustness
■653    ▼aMachine  learning
■653    ▼aStochastic  decision-making
■690    ▼a0796
■690    ▼a0800
■71020▼aColumbia  University▼bOperations  Research.
■7730  ▼tDissertations  Abstracts  International▼g86-05B.
■790    ▼a0054
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164660▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서