papersurveydrorahimianmehrotraojmo2022

Rahimian, W. & Mehrotra (2022) — Distributionally Robust Optimization: A Review

大白话：一篇 90 多页的 DRO（分布鲁棒优化）综述，把这个领域从「四种问题各自为政」 收拢成「一个统一原问题 + 四类模糊集 + 两种解法」的完整地图。 它是本 wiki 里 DRO 那几页的主要来源。

引用。 Rahimian, H. & Mehrotra, S. (2022) "Distributionally Robust Optimization: A Review". Open Journal of Mathematical Optimization 3. DOI: 10.5802/ojmo.15. arXiv:1908.05659 (initial version 13 Aug 2019).

源文件。 raw/papers/201908-distributionally-robust-optimization-review/{paper.pdf, extracted.md}。

中文摘要。 summaries/201908-distributionally-robust-optimization-review/201908-distributionally-robust-optimization-review。

为何这是里程碑

这是一篇 90 多页的分布鲁棒优化 (DRO) 综述，结构如下：

  1. 四种问题表述 —— 随机优化 (SO)、鲁棒优化 (RO)、机会约束优化 (CCO)、风险厌恶优化； 它们被证明是同一个 DRO 原问题在选取不同泛函 R_P 与模糊集 \mathcal P 下的特例。
  2. 两种求解技术 —— 割面 / 交换法，以及对偶重构。后者主导了近期文献。
  3. 四族模糊集 —— 基于散度的（Wasserstein、\phi-散度、总变差、Prohorov、\zeta-结构、\ell_p、污染模型）、 基于矩的（Chebyshev、Delage–Ye、广义矩、矩矩阵）、保形的、基于核的。
  4. 带有限样本统计保证的数据驱动校准 —— 尤其是 Mohajerin Esfahani–Kuhn 的 Wasserstein 球结果， 它给出了闭式的置信半径 \epsilon_N(\beta)。
  5. 工具箱 —— ROME、ROC、AROMA、XProg —— 实现了由此得到的 SDP / SOCP / LP 重构。

对本 wiki 的概念影响

这篇综述是本 wiki 四个概念页的主要来源：

这些页面沿用了综述的分类法与记号，并把它的 \epsilon_N(\beta) 公式当作 可落地的数据驱动 DRO 校准的典范例子。

综述提出的待研究问题

  • \epsilon 该取多大？ Mohajerin Esfahani–Kuhn 的有限样本公式是文献中唯一有原则的答案； 但实践中交叉验证仍然常见。统计置信度与样本外表现之间的权衡，在生产级风险模型里仍缺乏理解。
  • DRO vs M-估计量。 对线性回归型的损失，综述表明 Wasserstein-DRO 把 Huber / LASSO / 分位数回归 恢复为特例。DRO 半径 \epsilon 与正则化强度 \lambda 之间的映射是明确的，但实践中很少被利用； 量化团队通常用交叉验证来选 \lambda。
  • 带学习代价的 Wasserstein。 Blanchet 等的数据驱动传输代价 c 是较新的进展（2019）； 它对组合 / 统计套利表现的影响尚未被度量。
  • 多阶段的时间一致性。 综述指出「用 Wasserstein 嵌套距离构造时间一致的多阶段 DRO」仍是开放问题； 目前只有部分结果（Xin & Goldberg 2018 给出报童问题的情形）。

相关页面