本文提出了两种统一的异常值稳健估计公式，并调查了最基本的极限、实用算法和应用。首先，我们证明了在最坏情况下，异常值稳健估计是不可近似的，即使使用慢于多项式时间的算法也无法找到异常值集合。 其次，我们扩展了两种通用算法，这些算法不需要先验知识，并且可以动态决定如何从激光提取稳健的信息，同时提供了对机器人感知问题的评估。

Jul, 2020

本研究介绍了一种名为 Graph-Cut RANSAC 的鲁棒性估计新方法，通过在局部优化（LO）步骤中运行图割算法，以区分内点和外点，该方法是概念简单、易于实现、全局最优和高效的。实验结果表明，Graph-Cut RANSAC 在线拟合，单应性，仿射变换，基础和本质矩阵评估等多种问题上几何精度比现有技术更高。

Jun, 2017

该论文针对含有离群点的贝叶斯优化问题，提出一种结合鲁棒回归与离群点诊断的算法，分类数据点，提高了效率和收敛率，并在实验中验证了该算法的有效性。

Dec, 2017

本文提出一种基于概率方法的鲁棒后端优化方案，通过建立贝叶斯网络模型，利用长尾柯西分布抑制异常点的特征匹配，以及一组二元潜在变量的柯西 - 均匀混合模型同时抑制循环闭合约束中的异常点特征匹配。并在实验中证明了我们的方法在大规模室内和室外数据集上均具有良好的性能表现。

May, 2019

在存在异常值和误设测量模型的状态空间模型的在线滤波中，我们导出了一种新颖、可靠证明的闭合贝叶斯更新规则。我们的方法将广义贝叶斯推理与滤波方法（如扩展和集成卡尔曼滤波器）相结合，其中前者用于展示鲁棒性，后者用于确保非线性模型的计算效率。在异常值测量的一系列滤波问题（如物体跟踪、高维混沌系统的状态估计和在线神经网络学习）中，我们在更低的计算成本下与其他鲁棒滤波方法（如基于变分贝叶斯的方法）相匹配或表现更好。

May, 2024

在数据关联中，我们提出了一个新的优化问题，使用图论形式化方法，充分利用加权图并寻求最密集的加权边团，进而引入了两种松弛方法，通过凸半定松弛和名为 CLIPPER 的快速一阶算法，实验结果显示，我们的算法在点云配准问题中表现出鲁棒性，当存在至少 95% 的异常值时，现有算法在 80% 的异常值时开始失效。

Feb, 2024

该论文提出了一种结合了稀疏表示和随机游走的新的离群值检测方法，通过定义合适的马尔科夫链从而将离群值和基本 / 非基本状态联系起来，实现了在大型数据集中正确检测离群点的目的。

Apr, 2017

本文提出了一种鲁棒性强的伪贝叶斯变分方法，它通过将适用于数据拟合的 Kullback-Leibler 距离替换为 beta - 和 gamma - 距离，从而实现对深度网络等复杂模型的处理，并在实验中表现出比普通变分推断更好的鲁棒性。

Oct, 2017

CLIPPER 是一个用于在噪声和异常值存在的情况下进行强健数据关联的框架，使用几何一致性的概念将问题建立在图论框架中。通过对组合问题的松弛求解，使用高效的投影梯度上升方法实现了低时间复杂度并且实验结果表明在高噪声和异常值下仍有较高的精度和召回率。

Nov, 2020

本论文讨论了概率不变性或稳定性的概念及其如何应用于因果推断与预测鲁棒性问题。同时提出了一种用于风险最小化问题的因果形式化方法，通过估计常常出现在数据收集中的异构性或扰动数据来确定这种不变性。此新方法在许多应用中具有潜在的实用价值，比标准回归或分类框架中的机器学习或估计方法提供了更强的鲁棒性和更好的因果解释。

Dec, 2018