wasserstein-distance

介绍TopoTuner，一种拓扑引导的微调框架，通过持续图之间的Wasserstein距离测量拓扑漂移，从而选择性冻结注意力投影矩阵。该框架在仅训练1-2%参数的情况下，性能与全微调相当，并在大多数设置中优于LoRA。

提出学习预测性模糊集（LPAS）用于分布鲁棒优化，其中深度上下文模型输出名义情景分布、状态依赖的Wasserstein半径和基础度量，并通过决策损失和校准进行训练。应用于S&P 500数据的投资组合优化，该方法实现了更高的回报和夏普比率，同时相比于固定半径基线减少了保守性。