Introdotto un framework generativo per l'ottimizzazione robusta distribuzionale

Un nuovo framework noto come Generative Distributionally Robust Optimization (GDRO) è stato introdotto in un articolo su arXiv (2607.24983). Questo approccio affronta le carenze degli attuali metodi DRO consentendo qualsiasi generatore condizionale campionabile come modello nominale e limitando le distribuzioni peggiori a una famiglia selezionata di generatori condizionali. Un progresso significativo è l'abbinamento sampler-Sinkhorn: i sampler rappresentano accuratamente le leggi condizionali, mentre la divergenza di Sinkhorn consente il confronto delle distribuzioni indotte senza necessità di accesso alla verosimiglianza, basandosi esclusivamente su stime campionarie. Ciò consente una semplice approssimazione a campione finito e un'implementazione differenziabile primale-duale. Il framework mira ad armonizzare la compatibilità del modello con la struttura avversaria, affrontando i compromessi osservati nelle tecniche precedenti.