Neues DRO-Modell vereint Kausalität und Kontinuität für interpretierbare Entscheidungen

In einer wegweisenden Veröffentlichung präsentiert ein Forschungsteam ein neues Framework für die kontextuelle Distributionally Robust Optimization (DRO), das die kausale und kontinuierliche Struktur der zugrunde liegenden Verteilung berücksichtigt. Durch die Einführung der sogenannten Causal Sinkhorn Discrepancy (CSD) – einer entropie-regularisierten kausalen Wasserstein-Distanz – wird ein Transportplan gefördert, der gleichzeitig die kausale Konsistenz wahrt.

Das daraus abgeleitete Modell, das Causal Sinkhorn DRO (Causal‑SDRO) genannt wird, nutzt ein CSD‑basiertes Ambiguitätsset und lässt sich in einer starken dualen Formulierung darstellen. Dort erscheint die schlechteste mögliche Verteilung als Mischung von Gibbs‑Verteilungen, was die Analyse erheblich vereinfacht. Um die damit verbundene unendliche Dimension der Politikoptimierung zu lösen, schlägt das Team die Soft Regression Forest (SRF) Entscheidungregel vor. Diese Regel kombiniert die Interpretierbarkeit klassischer Entscheidungsbäume mit vollständiger Parametrisierung, Differenzierbarkeit und Lipschitz‑Glattheit, sodass sowohl globale als auch lokale Einsichten gewonnen werden können.

Zur effizienten Lösung des Causal‑SDRO mit parametrischen Regeln entwickelt das Team einen stochastischen kompositorischen Gradientenalgorithmus. Dieser konvergiert in O(ε⁻⁴) zu einem ε‑stationären Punkt – ein Tempo, das dem Standard‑Stochastischen Gradientenabstiegsverfahren entspricht. In umfangreichen numerischen Experimenten, die sowohl synthetische als auch reale Datensätze umfassen, zeigt sich die Methode als überlegen in Bezug auf Robustheit und Interpretierbarkeit.