Robustness Measures in Distributionally Robust Optimization

Resumen Técnico: Medidas de Robustez en la Optimización Robusta Distribucional

Planteamiento del Problema
La Optimización Robusta Distribucional (DRO, por sus siglas en inglés) es un marco para la toma de decisiones bajo incertidumbre de modelo, formulado como una optimización de peor caso sobre un conjunto de distribuciones de probabilidad (conjuntos de incertidumbre). Aunque la DRO se utiliza ampliamente, existe una brecha significativa en la literatura: la "robustez" que se optimiza rara vez se cuantifica. A diferencia de la optimización sensible al riesgo, que emplea medidas cuantitativas de riesgo para definir compensaciones entre rendimiento y riesgo, la DRO a menudo carece de una métrica para determinar si una decisión es "más robusta" que otra. Además, la DRO es frecuentemente criticada por ser excesivamente conservadora sin un método sistemático para seleccionar la familia o el tamaño del conjunto de incertidumbre, o para justificar por qué una decisión resultante es robusta. Los enfoques actuales suelen ajustar los conjuntos de incertidumbre únicamente para minimizar el costo esperado fuera de la muestra, ignorando la naturaleza específica de los errores del modelo contra los cuales se está protegiendo.

Metodología
Los autores proponen una reinterpretación de la DRO estableciendo un vínculo directo entre el problema nominal regularizado y una medida cuantitativa de robustez. La metodología central implica:

1. Definición de la Sensibilidad de Peor Caso (WCS): El artículo introduce la WCS como una medida cuantitativa de robustez. Se define como la tasa a la que aumenta el costo esperado bajo pequeñas perturbaciones del modelo nominal, normalizada por el tamaño del conjunto de incertidumbre. Formalmente, para un conjunto de incertidumbre $Q(\epsilon)$ y una función de costo $f(x, Y)$, la WCS es:
   $$S_P[f(x, \cdot)] = \lim_{\epsilon \downarrow 0} \frac{V(\epsilon, x) - E_P[f(x, Y)]}{g(\epsilon)}$$
   donde $V(\epsilon, x)$ es el costo esperado de peor caso y $g(\epsilon)$ es una función de escalado dependiente de la métrica de divergencia.

2. Interpretación de Regularización: Los autores demuestran que, para una amplia clase de conjuntos de incertidumbre, el problema de DRO puede aproximarse mediante un problema nominal regularizado donde el regularizador no es meramente una penalización, sino la propia WCS. Esto replantea la DRO como un problema multiobjetivo que intercambia el rendimiento esperado contra la sensibilidad de peor caso.

3. Derivación de Fórmulas Explícitas: El artículo deriva expresiones explícitas para la WCS en diversos conjuntos de incertidumbre comúnmente utilizados, incluyendo:

   • Divergencias $\phi$ suaves: La WCS corresponde a la desviación estándar de la distribución del costo (escalada por la curvatura de la divergencia).
   • Variación Total (TV): La WCS corresponde a la mitad del rango de la distribución del costo ($\frac{1}{2}(\max(f) - \min(f))$).
   • Incertidumbre Presupuestada: La WCS corresponde a la diferencia entre el costo esperado y el costo mínimo ($E_P[f] - \min(f)$), midiendo la dispersión de la cola "buena" (izquierda).
   • Combinaciones Convexas (Media + CVaR): La WCS corresponde a la desviación del CVaR, midiendo la dispersión de la cola "mala" (derecha).
   • Distancia de Wasserstein: La WCS corresponde a la constante de Lipschitz local máxima de la función de costo.

4. Medida Generalizada de Desviación: Los autores demuestran que, bajo suposiciones leves, la WCS es una "Medida Generalizada de Desviación" (GMD), satisfaciendo propiedades de no negatividad, homogeneidad positiva e invarianza traslacional. Esto establece a la WCS como una medida de la dispersión de la distribución del costo.

5. Frentes Óptimos de Pareto: Al variar el tamaño del conjunto de incertidumbre ($\epsilon$), la familia de soluciones de DRO traza un frente casi óptimo de Pareto entre el costo esperado y la WCS. Este frente permite a los tomadores de decisiones visualizar el "precio de la robustez".

Contribuciones y Resultados Clave

• Cuantificación de la Robustez: El artículo proporciona la primera definición sistemática de robustez en la DRO como WCS, permitiendo la comparación de decisiones basadas en su sensibilidad a la mala especificación del modelo.
• Selección del Conjunto de Incertidumbre: Los resultados muestran que diferentes conjuntos de incertidumbre controlan diferentes aspectos de la dispersión de la distribución del costo. Por ejemplo, la incertidumbre presupuestada controla la cola izquierda, mientras que las combinaciones convexas controlan la cola derecha. Esto permite la selección principista de conjuntos de incertidumbre basados en las vulnerabilidades específicas (por ejemplo, riesgos de cola) del problema en cuestión.
• Rediseño del Sistema y Cobertura: Cuando el "precio de la robustez" (el aumento en el costo esperado requerido para reducir la sensibilidad) es alto, la forma específica de la WCS guía el rediseño del sistema. Los autores ilustran esto con un ejemplo de control de inventarios donde la introducción de un "contrato de devolución" (un instrumento de cobertura) se dirige directamente a la medida de sensibilidad, aplanando el frente rendimiento-robustez y reduciendo el costo de la robustez.
• CVaR Robusto: El marco se extiende al Valor en Riesgo Condicional Robusto (RCVaR), derivando la WCS para la cola de la distribución de pérdidas bajo diversos conjuntos de incertidumbre.
• Ilustraciones Empíricas: Utilizando ejemplos de control de inventarios y optimización de carteras, el artículo demuestra que:
  • Una decisión robusta bajo un conjunto de incertidumbre puede ser frágil bajo otro.
  • La elección de la familia de conjuntos de incertidumbre impacta significativamente la solución de DRO.
  • Es necesario monitorear múltiples frentes de sensibilidad para evitar compensaciones de robustez subóptimas.

Significado y Afirmaciones
El artículo afirma que interpretar el regularizador como una medida de robustez resuelve varias preocupaciones sobre la DRO. Argumenta que la DRO no es inherentemente "demasiado conservadora", sino una herramienta computacionalmente tratable para mapear la compensación rendimiento-robustez. Al cuantificar la robustez, el marco:

1. Proporciona un enfoque sistemático para seleccionar la familia y el tamaño de los conjuntos de incertidumbre.
2. Identifica instancias de problemas donde el precio de la robustez es alto.
3. Ofrece información sobre el rediseño de sistemas (por ejemplo, mediante estrategias de cobertura) para mejorar la compensación.
4. Mueve la DRO de una formulación de peor caso de un solo objetivo a un marco multiobjetivo donde la robustez es un objetivo explícito y medible.

Los autores señalan que, aunque el artículo se centra en problemas de un solo período para transmitir las ideas clave, las perspectivas sobre la WCS y el frente rendimiento-robustez están destinadas a generalizarse a entornos de múltiples períodos y aprendizaje en línea, lo cual se reportará en otro lugar. El trabajo se basa y extiende la literatura previa que conecta la DRO con la regularización (por ejemplo, regularización de varianza) caracterizando explícitamente el regularizador como una medida de sensibilidad para una clase más amplia de divergencias.