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
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
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
考虑了只观察到少量标签时,寻找 l1 回归的近似解的问题。我们表明,根据其 Lewis 权重对 X 进行采样并输出经验最小化器可在概率 1-δ 下成功地进行,其中 m>O(1/ε²dlog (d/εδ))。我们还给出了相应的下界。
May, 2021
针对最小非零质量至少为 1/k 的离散分布估计支撑阈大小的问题,我们提出了一种基于 Chebyshev 多项式的线性估计器,其样本复杂度达到了普适常数因子 k/logk * log^2 (1/epsilon),并展示了在合成和真实数据集上的优异性能。
Apr, 2015
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
该论文考虑了具有洗牌标签的线性回归任务,提出了一种一步估计器来重构(Π,B),并给出了在不同情境下正确排列恢复的充分条件,最后通过数值实验验证了上述结论。
Oct, 2023
本文提出了一种高效的估算器以应对截断线性回归问题,并通过实验数据验证了其准确性。
Oct, 2020
研究怎样在不假设样本的基础分布为高斯分布的前提下,只假定有限个矩的情况下,有效地进行线性回归和协方差估计,并关注能用多少样本来实现高精度和指数级成功概率。使用八阶圆当量半定规划提供算法,预备性的证据表明在我们的算法使用的平均中位数框架中无法在多项式时间内改善这些误差率。
Dec, 2019
本研究旨在探究在高维线性回归模型的情况下,不了解回归参数稀疏性和设计分布对解释方差等因素的估计最小风险的影响,获得了在回归参数稀疏性不明确的情况下最小风险同时达到 logloss 的自适应程序,同时发现设计分布的了解对解释方差的估计至关重要。
Feb, 2016