Исследователи представили метод Generative Robust Optimisation (GRO), который меняет подход к классической задаче робастной оптимизации. Традиционные методы опираются на жесткие геометрические ограничения для описания неопределенности, что не позволяет эффективно учитывать сложные зависимости в реальных данных. Авторы предлагают использовать глубокие генеративные модели для определения множеств неопределенности, где границы задаются образом нейросетевого декодера.
В рамках GRO пространство неопределенности формируется через отображение калиброванного латентного множества, что позволяет естественным образом моделировать нелинейные корреляции. Такой подход дает возможность более гибко описывать риски и отклонения в данных, которые невозможно уловить стандартными эллипсоидальными или полиэдральными методами. Использование генеративных моделей позволяет адаптировать структуру оптимизационной задачи под специфику конкретных наборов данных.
Метод демонстрирует эффективность в задачах, где необходимо принимать решения в условиях высокой волатильности и сложных внутренних связей между переменными. Переход от фиксированных геометрических форм к обучаемым генеративным структурам открывает новые возможности для повышения устойчивости алгоритмов в логистике, финансовом моделировании и управлении сложными инженерными системами.