Learning Predictive Ambiguity Sets for Decision-Focused Distributionally Robust Optimization
Este artículo propone Conjuntos de Ambigüedad Predictiva Aprendidos (LPAS, por sus siglas en inglés), un marco contextual profundo que aprende adaptativamente radios de Wasserstein y distribuciones nominales dependientes del estado para mejorar la Optimización Robusta Distribucionalmente, demostrando un rendimiento superior y una reducción del conservadurismo en la optimización de carteras en comparación con las líneas base tradicionales de radio fijo.