Mar, 2019

自适应硬阈值近似最优一致鲁棒回归

PDF
TL;DR通过使用硬阈值化的新颖变体，本文提出了一种快速的鲁棒估计器，可以有效地解决使用响应变量损坏的鲁棒线性回归问题，并通过应用于不同的扰动模型，展示了其估计能力的稳健性。
robust linear regressionadversarial modelsparse linear regressionheavy-tailed noiseoutlier removal
发现论文，激发创造
  • 高维稳健稀疏回归

    提出了一种用于高维度稀疏回归中具有常量分数的自变量和 / 或响应变量的污染的算法，它是迄今为止的首个这样的算法，利用使用这种算法，我们提供了强健的稀疏回归方法和过滤算法。

    May, 2018

  • 通过硬阈值实现鲁棒回归

    对稳健最小二乘回归（RLSR）中的扰动问题进行研究，提出了一种称为 TORRENT 的简单硬阈值算法，能够在存在干扰情况下恢复 w*，并且能够实现大规模高维度的稀疏恢复。该方法比最先进的 L1 求解器快 20 倍以上。

    Jun, 2015

  • 对异常数据鲁棒的回归的高效算法

    本文首次给出了一个多项式时间算法，用于在示例和标签中对抗性堕落下执行线性或多项式回归，并基于 SoS 方法提出了一种自然的凸松弛方法来解决非凸优化问题。

    Mar, 2018

  • 当没有预警的异常值压倒时的连贯回归

    研究了具有重尾噪声分布的健壮线性回归模型，提出了 Huber 损失估计器，证明其在样本量近线性和异常值分数倒数多项式情况下具有一致性。

    Sep, 2020

  • 关于鲁棒线性回归的高效算法及下界

    研究了高维线性回归在对抗性污染下的稳健模型问题，并针对从高斯分布生成的未被修正的样本的基本情况给出了几乎最紧的上界和计算下界。

    May, 2018

  • 自适应 Huber 回归

    本篇论文提出了一种针对大数据中的尾部离群值和重尾分布等问题的自适应 Huber 回归方法，其中关键观察是，用于鲁棒性参数自适应的最优偏差和鲁棒性之间的权衡应该适应于样本大小，维度和矩。

    Jun, 2017

  • 基于 SGD 的 l1 损失在线鲁棒回归

    本文研究了在线情况下健壮线性回归问题，提出了一种基于随机梯度下降方法和 L1 损失函数的高效算法，能够在存在污染数据情况下有效检测和去除异常值，算法复杂度与污染比例相关。

    Jul, 2020

  • 基于阈值的在线主动线性回归

    该研究考虑在线主动学习来收集回归建模的数据，提出了一种基于阈值的算法来选择最具信息量的观测数据，并将其推广到高维稀疏线性回归，仿真结果表明该算法相对于被动随机抽样具有显著优势。

    Feb, 2016

  • 近线性时间内的最优鲁棒线性回归

    研究了高维稳健线性回归问题，在受到对抗性破坏的情况下提出了估计方法，包括样本复杂度，恢复保证，运行时间等关键指标，并利用近期算法发展的加速算法和高斯舍入技术等方法来优化估计器的运行时间和统计样本复杂性。

    Jul, 2020

  • 利用 L1 回归进行对抗稀疏噪声的压缩感知

    本文提供了一个简单有效的算法来解决稀疏鲁棒线性回归问题，即从被稀疏噪声干扰的线性测量中估计一个稀疏的向量，对于高斯测量，基于 L1 回归的简单算法可以成功地估计任何小于 0.239 的锁定率，而该算法所需的测量数为 O (klog (n/k)) 个，能够同时估计稀疏和稠密的 w*，容忍大常数分数的离群值和对抗性而非分配性（例如，高斯）稠密噪声。

    Sep, 2018