算法高维鲁棒统计的最新进展
该论文介绍了一种通过使用分布模型以及多项式时间算法在高维数据中实现鲁棒性估计的方法,并且提出了优化方法,以使算法能够适应更多的数据异常值,实现更高效的鲁棒性估计。
Mar, 2017
该研究旨在解决高维分布学习中的拜占庭敌人问题,提出了面向单高斯、超立方体上的乘积分布及其混合分布和球形高斯的分布学习的算法,并为高维数据的拜占庭敌人问题提供了一种通用的检测与纠正方案。
Apr, 2016
本研究在高维度背景下研究差分隐私的均值估计问题,通过将高维度鲁棒统计的结果应用到差分隐私中,提出了一种计算可行的算法,能够在高维度下完成差分隐私的均值估计,并且在人工合成数据集上表现出了优异的性能。
Jun, 2020
该研究介绍了一种基于变换的确定性鲁棒初始估计方法及其对应的迭代加权最小二乘算法,用于解决存在异常值时基于最大似然估计的广义线性模型中初始估计不准确的问题。
Sep, 2017
这篇研究论文概述了近期在多元设置中,如协方差估计、多元线性回归、判别分析、主成分和多元校准等方面使用的高容错鲁棒性方法,以应对数据中一些未预料到的异常值所带来的影响。
Aug, 2008
本文研究高维鲁棒统计中的两个问题:鲁棒均值估计和异常值检测。我们提出了一种新的异常值评分方法,称之为 QUE 评分,它基于量子熵正则化,可以显著提高异常值检测的性能。在鲁棒均值估计方面,我们的算法具有最优误差率和近似线性的运行时间,改善了之前最快运行时间的算法。
Jun, 2019
通过在任意 Wasserstein 距离下考虑扰动,实现鲁棒统计推断的推广。在这种情况下,我们首次证明了一个称为广义弹性的性质,并通过 Moment 或超对交条件证明了这种弹性的有效性。最后,我们提供了两种设计具有良好有限样本速率的 MD 估计器的不同方法,包括弱化差异和扩展分布集的方法,回顾了与 GAN 领域最近相关的研究结果。
Sep, 2019