arXiv eess.SYは2026年10月29日(現地時間)、Aron Brenner氏とSaurabh Amin氏らの研究チームが、学習済み密度モデルを中心とするKullback-Leibler (KL)ボールを用いた分布ロバスト最適化 (DRO) のための適応的シナリオ生成手法に関する論文を発表した。この手法は、データ駆動型二段階確率計画における分布誤差への対策として提案されている。
この論文は、Distributionally Robust Optimization (DRO) が、有限な記録から推定された分布における誤差に対し、データ駆動型二段階確率計画を保護する仕組みを詳述している。従来の曖昧集合においては、経験分布を中心とするダイバージェンスボールが記録のリウェイトのみを含む一方、輸送ボールは記録外の分布や、データ生成プロセスでは生じえない事象も含むことが課題とされていた。
研究チームはこれに代わり、記録に適合させた密度モデル、すなわち学習済みノミナルを中心とするKullback-Leibler (KL)ボールを提案した。このアプローチでは、敵対者が、モデルが割り当てる確率に比例して、観測されていない高コストな事象を過重評価することが可能になる。
しかし、この問題の解決には、少数のシナリオしか扱えないという課題が存在した。また、独立したサンプルでは、最悪のケースが集中するまれな事象が見落とされがちであった。この困難に対処するため、研究チームは適応的なシナリオセット構築手法を開発した。これは、有限問題を解くことと、現在の決定における最悪のケースへと誘導された学習済みノミナルから新しい事象を抽出することを交互に行い、モデルへの修正を行うための重要度重み付けを伴う。
この手法は、複数品目ニューズベンダー問題や、実際のグリッドデータを用いた設備拡張問題に適用された。その結果、記録が乏しく、モデルクラスが記録を超えて外挿できる構造を捉えている場合、経験分布ではなく学習済みノミナルを中心とすることで、分布シフト下でコストが削減されることが示された。分布内コストは同程度だった。この利点は、記録が増加するか、シフトがモデルが学習した構造から逸脱するにつれて薄れることも確認された。
参考: arXiv eess.SY (アーカイブ) — 2026年10月30日 02:59 (JST)