Die Studie untersucht gemischt-ganzzahlige Programmierung mit Unsicherheit in den Zielparameter und Daten, formuliert als Verteilungsrobustes Optimierungsproblem.
Verteilungsrobuste Optimierungsverfahren, Bayessche Methoden und Regularisierungsmethoden können Generalisierungsfehler reduzieren, da sie verteilungsrobust sind.