报告题目: Wasserstein分布鲁棒优化的熵正则化
报告时间：2026年1月25日上午10:00
报告地点：阅江楼325
主持人：吴中明
欢迎广大师生参加！
报告摘要: Wasserstein distributionally robust optimization often encounters computation intractability. To tackle the computational challenge, we develop a novel approach that combines entropic regularization into the distributionally robust risk function. This regularization brings a notable improvement in computation compared with the original formulation. We develop efficient stochastic gradient methods with biased oracles to optimize the regularized objective, proving that our approach achieves near-optimal sample complexity. Furthermore, by leveraging state-of-the-art diffusion models, we develop a method to sample from the worst-case distribution. This technique achieves global convergence under mild assumptions by employing tools from bilevel optimization in the space of continuous probability densities. We numerically validate our proposed method in supervised learning, reinforcement learning, and contextual learning.
个人简介: 王捷博士现任香港中文大学（深圳）人工智能学院与数据科学学院助理教授，他于2025年在佐治亚理工学院工业工程系获得博士学位。他的研究结合统计学与优化方法，聚焦于不确定性下的决策问题，并广泛应用于机器学习、医疗健康、运筹管理和无线通信等领域。他的研究成果发表在多个顶级期刊和会议上，包括《Operations Research》，《Information and Inference: a Journal of the IMA》，《IEEE Journal on Selected Areas in Communications》，《IEEE Journal on Selected Areas in Information Theory》，《NeurIPS》，《ICML》和《AISTATS》。他曾获得多项荣誉，包括2022年INFORMS海报竞赛冠军、2022年工业工程系Robert Goodell Brown研究卓越奖、2023年INFORMS数据挖掘与决策分析研讨会最佳理论论文奖、2023年INFORMS数据挖掘学会数据竞赛入围奖、2024年INFORMS计算学会最佳学生论文奖亚军、2024年INFORMS数据挖掘学会学生论文奖亚军、2024年INFORMS数据挖掘学会数据竞赛冠军。
管理工程学院
2026.1.22
