带Wasserstein度量的分布鲁棒优化监督学习方法及其应用探索

监督学习方法是数字供应链和商务智能中的关键技术。在数字经济时代的管理实践中,处理海量、高维和异质数据是必要的。然而,传统的基于经验风险最小化的监督学习方法通常无法有效处理数据异质性的问题,这会导致测试误差过大的情况。为了解决这一问题,现研究探索了一种基于Wasserstein度量的分布鲁棒优化方法在监督学习中的应用。通过引入Wasserstein度量来量化数据分布之间的距离,将其与监督学习的损失函数相结合,以提高模型对分布偏移的鲁棒性。同时探索如何设计可靠且鲁棒的优化算法,在面对分布变化时可以提供更加稳健的模型性能,并在汽车配件需求预测等管理实践中具有更好的性能和更广泛的应用前景。