Robust estimation via $γ$-divergence for diffusion processes
Meisei University(明海大学);RIKEN Center for Brain Science(理化学研究所脑科学中心);Josai University(城西大学)
本文提出通过γ-散度方法对扩散过程中的异常值进行鲁棒估计,探讨了估计量的渐近性质和影响函数的有界性。
2026-03-05 math.ST stat.ME stat.TH
Generative Adversarial Nets for Robust Scatter Estimation: A Proper Scoring Rule Perspective
University of Chicago(芝加哥大学);Hong Kong University of Science and Technology(香港科技大学)
稳健散布估计是统计学中的一项基本任务。Gao et al.(2018)最近关于鲁棒估计和生成对抗网络(GANs)之间的联系的发现表明,可以使用优化GANs的类似技术来计算类似深度的鲁棒估计器。在本文中,我们介绍了一个一般的学习通过分类框架的基础上适当的评分规则的概念。这个框架允许我们通过$f$的变分近似的透镜来理解矩阵深度函数和各种GANs-由适当的评分规则引起的发散。然后,我们提出了一类新的强大的散布估计在这个框架中仔细构造鉴别器与适当的神经网络结构。在Huber污染模型下,证明了这些估计量能达到极小极大散布率估计.我们的数值结果表明,在各种设置下对文献中的竞争对手的良好性能。
2019-03-05 cs.LG math.ST stat.ML
Robust adaptive efficient estimation for a semi-Markov continuous time regression from discrete data
本文研究了离散时刻观测到半马尔可夫噪声的连续时间回归模型的非参数稳健估计问题。提出了一种自适应模型选择方法。得到了鲁棒风险的一个尖锐的非渐近预言不等式。我们得到了关于频率观测值的鲁棒有效性的充分条件。结果表明,半马尔可夫模型的鲁棒极小极大收敛速度可能比经典模型快,也可能比经典模型慢。
2020-05-14 math.ST stat.TH
Robust parameter estimation using the ensemble Kalman filter
针对随机微分方程参数估计的标准方法对连续时间数据扰动鲁棒性不足的问题,本文在集合卡尔曼滤波连续时间估计框架下从频率论视角阐释了三种鲁棒技术的原理,并通过数值实验验证了结论。
2023-12-19 cs.NA math.NA math.ST
Robust estimations for the tail index of Weibull-type distribution
基于适当的左截尾或截尾数据,提出了Weibull尾系数的两类灵活的$M$ -估计,并增加了两个限制极端污染影响的参数.得到了具有$\sqrt {n}$ -收敛速率的渐近正态性。通过渐近相对效率和影响函数讨论了该算法的鲁棒性。小规模的模拟和CRIX的实证研究进一步证明了这一点。
2018-10-17 math.ST stat.TH
On Robust Mean Estimation under Coordinate-level Corruption
University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
我们研究了鲁棒均值估计问题,并引入了一种新的基于汉明距离的坐标级腐败的分布偏移的措施。我们表明,这种措施产生的对手模型,捕捉更现实的腐败比以前的作品中使用的,并提出了一个信息理论分析的鲁棒均值估计在这些设置。我们表明,对于结构化分布,利用结构产生信息的方法理论上更准确的均值估计。我们还专注于实用算法的鲁棒均值估计和研究时,数据清洗启发的方法,首先修复损坏的输入数据,然后执行鲁棒均值估计可以匹配我们的分析的信息理论界。最后,我们通过实验证明,这种两步方法优于结构无关的鲁棒估计,并提供准确的均值估计,即使是高幅度的腐败。
2021-06-11 cs.LG stat.ML
RCR: Robust Compound Regression for Robust Estimation of Errors-in-Variables Model
变量误差(EIV)回归模型由于同时考虑了自变量和因变量中的测量误差,因而更符合实际,在应用科学中被广泛采用。然而,传统的EIV模型估计量可能会受到离群值和其他偏离基本假设的严重影响。本文提出了一种新的非参数回归方法-稳健复合回归(RCR)分析方法,用于EIV模型的稳健估计。我们首先介绍了一个强大的和有效的估计称为最小正弦平方(LSS)。充分利用新的LSS方法和复合回归分析方法在我们自己的小组,我们随后提出了RCR方法作为这两个推广,它提供了一个强大的对应的整个类的极大似然估计(MLE)的EIV模型的解决方案,在1-1映射。从技术上讲,我们的方法为用户提供了从一类RCR估计中选择满足预定义回归效率标准的最佳估计的灵活性。仿真研究和现实生活中的例子来说明RCR方法的有效性。
2015-08-12 math.ST stat.ME stat.ML
Robust Estimation via Robust Gradient Estimation
Carnegie Mellon University(卡内基梅隆大学)
我们提供了一个新的计算效率的估计类风险最小化。我们表明,这些估计是强大的一般统计模型:在经典的Huber ε-污染模型和重尾设置。我们的主力是一个新的强大的梯度下降的变种,我们提供的条件下,我们的梯度下降的变种提供准确的估计在一个一般的凸风险最小化问题。我们提供了具体的后果,我们的理论,线性回归,逻辑斯谛回归和估计的典型参数在指数家庭。这些结果为这些典型的统计模型提供了一些第一个计算上易处理的和可证明的鲁棒估计。最后,我们研究了我们提出的方法在合成和真实数据集上的实证性能,发现我们的方法令人信服地优于各种基线。
2018-04-20 cs.AI cs.LG stat.ML
Robust Estimation of the Generalized Loggamma Model. The R Package robustloggamma
robustloggamma是用于广义loggamma模型中的稳健估计和推断的R包。我们简要介绍了模型,估计程序和计算算法。然后,我们说明了一个真实的数据集的帮助下使用的包。
2015-12-05 stat.CO stat.ME
Robust Covariance and Scatter Matrix Estimation under Huber's Contamination Model
协方差阵估计是统计学中最重要的问题之一。为了适应现代数据集的复杂性,期望具有不仅可以结合协方差阵的结构假设,而且对来自任意源的离群值具有鲁棒性的估计过程。在本文中,我们定义了一个新的概念称为矩阵深度,然后提出了一个强大的协方差阵估计最大化的经验深度函数。所提出的估计,以实现最小最大最优率下Huber的$ε$污染模型估计协方差/散射矩阵的各种结构,包括带状和稀疏。
2017-06-12 math.ST stat.ME stat.TH
Robust estimation of parameters in logistic regression via solving the Cramer-von Mises type L2 optimization problem
University of South Florida(南佛罗里达大学)
本文通过求解Cramer-von Mises类型L2优化问题,提出了一种稳健估计逻辑回归参数的新方法,并研究了其渐近性质。
2025-12-16 math.ST stat.TH
Robust estimation in finite population sampling
本文提出了有限总体均值的几种稳健估计。这样的估计是特别适合在存在一些离群观测。作为我们的一般结果的特殊情况,包括鲁棒版本的比率估计和Horvitz-Thompson估计。鲁棒估计量是在一定的预测影响函数的基础上导出的。
2008-05-15 math.ST stat.TH
Robust Estimation and Inference with Categorical Data
University of Zurich(苏黎世大学)
本文提出C-估计框架,通过限制频率差异实现分类数据的稳健估计与推断,保证Fisher一致性和渐近正态性,并应用于问卷数据识别粗心作答。
2026-09-16 econ.EM math.ST stat.ME
A robust estimation for the extended t-process regression model
对函数型数据的扩展t-过程回归模型,给出了稳健估计和变量选择方法。统计性质,如一致性的估计和预测。数值研究表明,所提出的方法性能良好。
2018-12-18 stat.AP
Robust estimation based on one-shot device test data under log-normal lifetimes
在本文中,我们提出了鲁棒估计的单次设备测试数据下的对数正态寿命。基于这些估计量,还建立了置信区间和Wald型检验。通过仿真研究和两个数值例子说明了它们的鲁棒性。
2022-11-03 stat.AP
Unified Robust Estimation
本文提出基于凹凸复合损失函数族的统一稳健估计框架,通过迭代重加权凸优化实现CC估计,并推广至带惩罚的广义线性模型与稳健支持向量机。
2024-02-22 stat.CO stat.ME
Robust estimation algorithms don't need to know the corruption level
University of California, San Diego(加利福尼亚大学圣地亚哥分校)
真实的数据很少是纯粹的。因此,在过去的半个世纪里,人们对稳健的估计算法产生了极大的兴趣,这些算法即使在部分数据损坏的情况下也能表现良好。然而,只有在给定损坏数据比例的严格上限时,它们的绝大多数才接近最佳精度。这种界限在实践中是不可用的,从而导致弱保证和通常较差的性能。这篇简短的笔记将复杂而普遍的鲁棒性问题抽象成一个简单的几何难题。然后,它适用于难题的解决方案,以获得一个通用的Meta技术,转换任何强大的估计算法,需要一个严格的腐败水平的上限,以实现其最佳的准确性到一个实现基本上相同的准确性,而不使用任何上限。
2022-02-11 cs.LG stat.ML
Infinitesimally Robust Estimation in General Smoothly Parametrized Models
本文描述了稳健统计的收缩邻域方法,它适用于一般的光滑参数化模型,特别是指数族。平等的一般性是通过面向对象的实现最优鲁棒估计。我们通过R包ROptEst和RobLox评估了文献中真实数据集的估计。
2009-01-22 stat.AP stat.ME
Robust Estimation from Multiple Graphs under Gross Error Contamination
基于图集合的图参数估计对于各种各样的图推理任务是必不可少的。在实践中,加权图通常观察到边缘污染。我们考虑一个加权的潜在位置图模型污染通过边缘权重的粗差模型,并提出了一种估计方法的基础上鲁棒Lq估计低秩邻接谱分解。我们证明,在适当的条件下,我们的估计既保持Lq的鲁棒性,并赢得了偏见方差权衡利用低秩图结构。我们通过模拟和人类连接体数据实验说明了我们的估计提供的改进。
2017-07-11 stat.ME
Streaming robust covariance estimation and sequential outlier detection
CREST, CNRS, ENSAE, IP Paris(法国国家科学研究中心经济与统计研究中央实验室,国立经济与应用学院,巴黎理工学院)
本文提出了一种在线方法,用于同时估计协方差矩阵和检测异常值,通过稳健估计几何中位数和方差来提高鲁棒性。
2026-11-10 stat.ME
Robust Estimation in Stochastic Frontier Models
本文将Basu等[1998,Biometrika 85,549-559]的思想引入随机前沿模型,提出了一种稳健的估计方法。在正则条件下证明了该估计是强相合的和渐近正态的,并研究了其稳健性。我们使用模拟研究表明,估计有很强的鲁棒性与极大似然估计几乎没有损失的渐近有效性。一个真实的数据分析进行说明使用的估计。
2015-07-28 stat.ME stat.OT
Outlier-Robust High-Dimensional Sparse Estimation via Iterative Filtering
University of Wisconsin-Madison(威斯康星大学麦迪逊分校);UT Austin(德克萨斯大学奥斯汀分校);University of California, San Diego(加利福尼亚大学圣迭戈分校);Web3 Foundation(Web3基金会)
我们研究高维稀疏估计任务中的一个强大的设置,其中一个恒定的分数的数据集是adversarially损坏。具体而言,我们专注于鲁棒稀疏均值估计和鲁棒稀疏PCA的基本问题。我们给出了这些问题的第一个实际可行的鲁棒估计。更详细地说,我们的算法是样本和计算效率,并实现接近最佳的鲁棒性保证。与以前的可证明算法依赖于椭球方法相比,我们的算法使用谱技术来迭代地从数据集中删除离群值。我们对合成数据的实验评估表明,我们的算法是可扩展的,并显着优于以前的方法,几乎匹配的最佳出错率没有腐败。
2019-11-19 cs.DS cs.LG stat.ML
A randomized quantum algorithm for statistical phase estimation
相位估计是用于测量哈密顿量的本征值的量子算法。我们提出并严格分析了一个随机相位估计算法,有两个显着的特点。首先,我们的算法的复杂度独立于哈密尔顿算子中的项L的数量。其次,与以前的L独立方法(例如基于qDRIFT的方法)不同,我们算法中的所有误差源都可以通过收集更多的数据样本来抑制,而无需增加电路深度。
2022-07-13 cs.DS quant-ph
Robust Sparse Estimation Tasks in High Dimensions
MIT(麻省理工学院)
在本文中,我们开始研究稀疏估计任务是否可以有效地在高维度,在强大的设置,其中一个$\eps$ -分数的样本被破坏adversarally。本文研究了两个经典稀疏估计问题,即稀疏均值估计和稀疏PCA在尖峰协方差模型中的自然鲁棒性。对于这两个问题,我们提供了第一个有效的算法,提供非平凡的误差保证,在存在噪声的情况下,只使用一些样本,这是类似于这些问题所需的数量没有噪声。特别是,我们的样本复杂度在环境维度$d$中是次线性的。我们的工作还表明,这些问题(类似于没有噪声的稀疏PCA)的新的计算与统计差距的证据,只出现在噪声的存在。
2017-02-28 cs.DS cs.LG