Learning Predictive Ambiguity Sets for Decision-Focused Distributionally Robust Optimization
Este artigo propõe Conjuntos de Ambiguidade Preditiva Aprendidos (LPAS), uma estrutura contextual profunda que aprende adaptativamente raios de Wasserstein e distribuições nominais dependentes do estado para aprimorar a Otimização Robusta à Distribuição, demonstrando desempenho superior e redução do conservadorismo em otimização de portfólio em comparação com as linhas de base tradicionais de raio fixo.