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
研究通过 Sum-of-Squares SDP hierarchy 在列表可解码学习上的应用,分别对线性回归和均值估计问题进行了研究,并提出了新的算法来解决这些问题,其中输入数据中包含了异常值。
May, 2019
本文提出了一种在数据为超收缩分布、存在不可避免的敌对噪声情况下,基于平方和框架的线性模型学习算法,该算法的收敛速度与扰动的比例成幂率关系,能达到理论最优收敛速度且在先前研究中未被发现。
Jun, 2020
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
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
探讨在机器学习中存在恶意数据时的问题,其中的 list-decodable learning 和 semi-verified learning model 框架及稳健学习算法提供强大的解决方案。
Nov, 2016
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
研究列表可解的高斯协方差估计问题,提出了基于谱技术的多滤波方法,解决了高斯混合模型偏差聚类的问题并得到了最新 GMM 学习方法的解。
May, 2023
使用多项式技术来移除高维数据集中的异常值,同时提出了非常有效的算法,大大改进了高斯均值估计和学习混合球形高斯问题的保障性能。
Nov, 2017
应用松弛版本的 Johnson 界,研究随机线性码的列表译码问题,并讨论矩阵在欧氏范数下的受限等保性质以及稀疏信号重构的采样数问题。
Jul, 2012