연구진은 강건한 머신러닝과 최적화에서 모델이 커버해야 할 불확실성 방향을 조사했어요. 유한한 사전과 예산 제약으로 정의된 모델의 경우, 평가 방향을 기반으로 데이터 중심 선택 규칙을 제안했어요. 이 규칙은 (1-1/e) 근사 보장과 일치하는 하드니스 장벽을 가진 탐욕적 방법과 함께 사용돼요.
제안된 방법은 기울기, 적대적 교란, 홀드 아웃 데이터에서 관찰된 이동을 포함한 평가 방향에 대한 커버리지 목표를 기반으로 불확실성 집합을 선택해요. 연구진은 선택된 부분 집합에서 손실을 제한하는 인증 및 샘플 외부 제어가 가능한 반지름 보정 규칙도 제공했어요.
이 연구는 강건 최적화 모델 설계에 중요한 통찰력을 제공하며, 특히 제한된 자원으로 불확실성을 모델링해야 하는 경우에 유용해요.