Robustness Measures in Distributionally Robust Optimization

Resumo Técnico: Medidas de Robustez em Otimização Robusta Distribucional

Declaração do Problema
A Otimização Robusta Distribucional (DRO) é um quadro para tomada de decisão sob incerteza de modelo, formulada como uma otimização de pior caso sobre um conjunto de distribuições de probabilidade (conjuntos de incerteza). Embora a DRO seja amplamente utilizada, existe uma lacuna significativa na literatura: a "robustez" que está sendo otimizada raramente é quantificada. Diferentemente da otimização sensível ao risco, que emprega medidas quantitativas de risco para definir compensações entre desempenho e risco, a DRO frequentemente carece de uma métrica para determinar se uma decisão é "mais robusta" do que outra. Além disso, a DRO é frequentemente criticada por ser excessivamente conservadora, sem um método sistemático para selecionar a família ou o tamanho do conjunto de incerteza, ou para justificar por que uma decisão resultante é robusta. As abordagens atuais frequentemente ajustam os conjuntos de incerteza apenas para minimizar o custo esperado fora da amostra, ignorando a natureza específica dos erros de modelo contra os quais se está protegendo.

Metodologia
Os autores propõem uma reinterpretação da DRO ao estabelecer uma ligação direta entre o problema nominal regularizado e uma medida quantitativa de robustez. A metodologia central envolve:

1. Definição de Sensibilidade de Pior Caso (WCS): O artigo introduz a WCS como uma medida quantitativa de robustez. Ela é definida como a taxa na qual o custo esperado aumenta sob pequenas perturbações do modelo nominal, normalizada pelo tamanho do conjunto de incerteza. Formalmente, para um conjunto de incerteza $Q(\epsilon)$ e uma função de custo $f(x, Y)$, a WCS é:
   $$S_P[f(x, \cdot)] = \lim_{\epsilon \downarrow 0} \frac{V(\epsilon, x) - E_P[f(x, Y)]}{g(\epsilon)}$$
   onde $V(\epsilon, x)$ é o custo esperado de pior caso e $g(\epsilon)$ é uma função de escala dependente da métrica de divergência.

2. Interpretação de Regularização: Os autores demonstram que, para uma ampla classe de conjuntos de incerteza, o problema de DRO pode ser aproximado por um problema nominal regularizado onde o regularizador não é meramente uma penalidade, mas a própria WCS. Isso reformula a DRO como um problema multiobjetivo que troca o desempenho esperado pela sensibilidade de pior caso.

3. Derivação de Fórmulas Explícitas: O artigo deriva expressões explícitas para a WCS em vários conjuntos de incerteza comumente utilizados, incluindo:

   • Divergências $\phi$ suaves: A WCS corresponde ao desvio padrão da distribuição de custos (escalado pela curvatura da divergência).
   • Variação Total (TV): A WCS corresponde à metade da amplitude da distribuição de custos ($\frac{1}{2}(\max(f) - \min(f))$).
   • Incerteza Orçamentada: A WCS corresponde à diferença entre o custo esperado e o custo mínimo ($E_P[f] - \min(f)$), medindo a dispersão da cauda "boa" (esquerda).
   • Combinações Convexas (Média + CVaR): A WCS corresponde ao desvio do CVaR, medindo a dispersão da cauda "ruim" (direita).
   • Distância de Wasserstein: A WCS corresponde à constante de Lipschitz local máxima da função de custo.

4. Medida Generalizada de Desvio: Os autores provam que, sob suposições leves, a WCS é uma "Medida Generalizada de Desvio" (GMD), satisfazendo propriedades de não negatividade, homogeneidade positiva e invariância por translação. Isso estabelece a WCS como uma medida da dispersão da distribuição de custos.

5. Fronteiras Pareto-Ótimas: Ao variar o tamanho do conjunto de incerteza ($\epsilon$), a família de soluções de DRO traça uma fronteira quase Pareto-ótima entre o custo esperado e a WCS. Essa fronteira permite que os tomadores de decisão visualizem o "preço da robustez".

Principais Contribuições e Resultados

• Quantificação da Robustez: O artigo fornece a primeira definição sistemática de robustez na DRO como WCS, permitindo a comparação de decisões com base em sua sensibilidade à má especificação do modelo.
• Seleção de Conjuntos de Incerteza: Os resultados mostram que diferentes conjuntos de incerteza controlam diferentes aspectos da dispersão da distribuição de custos. Por exemplo, a incerteza orçamentada controla a cauda esquerda, enquanto as combinações convexas controlam a cauda direita. Isso permite a seleção principista de conjuntos de incerteza com base nas vulnerabilidades específicas (por exemplo, riscos de cauda) do problema em questão.
• Redesenho do Sistema e Hedge: Quando o "preço da robustez" (o aumento no custo esperado necessário para reduzir a sensibilidade) é alto, a forma específica da WCS orienta o redesenho do sistema. Os autores ilustram isso com um exemplo de controle de estoque onde a introdução de um "contrato de devolução" (um instrumento de hedge) visa diretamente a medida de sensibilidade, achando a fronteira desempenho-robustez e reduzindo o custo da robustez.
• CVaR Robusto: O quadro é estendido para o Valor em Risco Condicional Robusto (RCVaR), derivando a WCS para a cauda da distribuição de perdas sob vários conjuntos de incerteza.
• Ilustrações Empíricas: Usando exemplos de controle de estoque e otimização de carteira, o artigo demonstra que:
  • Uma decisão robusta sob um conjunto de incerteza pode ser frágil sob outro.
  • A escolha da família de conjuntos de incerteza impacta significativamente a solução de DRO.
  • O monitoramento de múltiplas fronteiras de sensibilidade é necessário para evitar compensações de robustez subótimas.

Significância e Alegações
O artigo alega que interpretar o regularizador como uma medida de robustez resolve várias preocupações sobre a DRO. Ele argumenta que a DRO não é inerentemente "excessivamente conservadora", mas sim uma ferramenta computacionalmente tratável para mapear a compensação desempenho-robustez. Ao quantificar a robustez, o quadro:

1. Fornece uma abordagem sistemática para selecionar a família e o tamanho dos conjuntos de incerteza.
2. Identifica instâncias de problemas onde o preço da robustez é alto.
3. Oferece insights sobre o redesenho de sistemas (por exemplo, por meio de estratégias de hedge) para melhorar a compensação.
4. Move a DRO de uma formulação de pior caso de objetivo único para um quadro multiobjetivo onde a robustez é um objetivo explícito e mensurável.

Os autores observam que, embora o artigo se concentre em problemas de período único para transmitir ideias-chave, os insights sobre a WCS e a fronteira desempenho-robustez destinam-se a generalizar para configurações de múltiplos períodos e aprendizado online, que serão relatados em outro lugar. O trabalho se baseia e estende a literatura anterior que conecta a DRO à regularização (por exemplo, regularização de variância) ao caracterizar explicitamente o regularizador como uma medida de sensibilidade para uma classe mais ampla de divergências.