Hongseok Namkoong
机构：Stanford University 管理科学与工程系教授。凸优化、机器学习中的正则化与鲁棒性方向。
在本 wiki 的论文
- Duchi-Glynn-Namkoong 2018 — Statistics of Robust Optimization: A Generalized Empirical Likelihood Approach — 广义经验似然框架：不确定集半径由置信水平倒推，鲁棒化在渐近展开上等于按目标函数方差定尺度的正则项。
方法论取向
Namkoong 的主线是「鲁棒与正则化是同一件事」。他与 Duchi 的配套工作 Variance-based regularization with convex objectives（arXiv:1610.02581, 2016；NeurIPS 2017）把这条结论单独做深：方差惩罚型目标一般既不凸也不相干，需要设计一个凸的、且在渐近意义上近似方差正则化的替身。
DRO 的 f-散度球恰好就是这样一个替身——它在渐近展开中给出一个方差正则项，同时保持凸性与风险相干性。这条线索把 DRO 从「额外的保险」改写成有统计依据的方差控制，也把它与 Ledoit-Wolf 收缩、组合优化的正则化在动机上接通：三者都在对付估计噪声。