Technical Note—A Data-Driven Approach to Beating SAA Out of Sample
Notice bibliographique
Résumé
A Little Pessimism Goes a Long Way Data-driven optimization is concerned with finding a decision, using data and perhaps a model, that performs well when it is applied on a new unseen data point. Data-driven optimization is challenging because data are limited or the model is wrong or the environment in which the decision is being applied is different from the one in which the training data were collected. Distributionally robust optimization (DRO), a worst case optimization method for finding decisions that are insensitive to model error, can sometimes but not always deliver a decision that has a larger out-of-sample expected reward than the sample average approximation (SAA). “A Data Driven Approach to Beating SAA out of Sample” by Jun-ya Gotoh, Michael Kim, and Andrew Lim shows that if worst case (DRO) solutions fail at this task, then the solution of a best case distributionally optimistic optimization problem will do the job. As good as this sounds, there is a catch: whereas an optimistic decision might beat SAA, the improvement is very modest and comes at the cost of being much more sensitive to model misspecification than both the SAA and the DRO decisions. Moreover, it is easy to make a mistake: it can be difficult to determine with a modestly sized data set whether the best or worst case solution will have the higher expected reward than SAA. In summary, data driven optimization is a trade-off between maximizing the expected reward and controlling the sensitivity of this expectation to model misspecification. When both are considered, a little bit of pessimism goes a long way.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».