提出了一种估计随机向量均值的估计器,时间复杂度为 $O (n^4+n^2d)$,其误差界限符合亚高斯分布。与 Hopkins(2018)介绍的基于二次项和谐级数的多项式时间估计器一样,在具有有限均值和协方差的数据分布方面,效率最高,但运行时间更快,分析更简单。
Feb, 2019
稀疏均值估计算法在存在对抗性异常值的情况下的研究,提出了一种在次二次时间内运行的鲁棒稀疏均值估计算法,并在检测弱相关性方面取得了算法进展。
Mar, 2024
本论文利用半定规划松弛和高维中位数,首次提出了一种多项式时间算法,能在有限均值和协方差的假设下估计具有重尾分布的多维随机向量的均值,并实现亚高斯置信区间。
Sep, 2018
研究估计具有有界平均值和协方差的重尾随机向量均值的算法问题,提供了一种基于谱方法的算法来解决该问题,并且只需要计算近似特征向量,取得了最优的统计性能和更快的运行速度。
Aug, 2019
本文针对高维下平均数估计的稳健模型、对抗性污染和相应算法进行研究,提出了一种基于当前猜测值参数化的 SDP 族的自然算法,并经证明该算法在次线性时间内逼近真实平均数并达到了理论误差的信息论最优解,同时认为该算法还能进一步实现高维稳健学习问题的次线性时间算法。
Nov, 2018
本论文研究线性回归问题并提出了一种新的算法,它能够在存在离群值的情况下,对有限矩(至 $L_4$)的样本进行最佳的次高斯误差边界估计,并且通过使用谱方法研究了线性回归问题与最远超平面问题之间的关系,同时引入了第三个经验过程进行统计学属性的研究。
Jul, 2020
本文研究了一个基于迭代重新加权的估计方法,该方法针对多元高斯分布的均值具有鲁棒性,且具有多个优秀性质,包括计算上的可行性、对平移、伸缩和正交变换的不变性、高断点以及渐近有效性。此外,本文还为提出的估计器建立了无维度的非渐近风险界限,并将结果推广到了子高斯分布和污染率未知、协方差矩阵未知等情形。
Feb, 2020
本研究介绍了一种基于多元中位数的新估计方法,能在随机向量的二阶矩存在的条件下达到纯亚高斯性能。
Feb, 2017
该文提出了一种使用 VC-dimension 的方法来测量统计复杂性的新型通用方法,从而使得 MOM 估计值的超额风险得到限制,其中应用该方法得出的鲁棒稀疏估计器实现了所谓的次高斯速率并且最多只需要假设非污染数据拥有有限的二阶矩。同时,该技术还可用于导出多种新的鲁棒次高斯边界,包括任何范数下的均值估计和协方差估计中的使用。
Apr, 2020
研究了在数据生成分布的方差不存在的情况下对重尾均值估计问题的解决方案,提出了一种具备计算效率的估计器,并通过信息理论建立了最优可达置信区间的信息理论下界。
Nov, 2020