- 使用深度集合的共识学习进行本质矩阵估计
给出两幅图像中提取的点匹配集合，我们的方法通过使用 Deep Sets 基于简单网络架构来识别离群点匹配，并对内点匹配中的位移噪声进行建模。通过加权的 DLT 模块，我们的网络实现了比现有复杂网络结构更准确的关键矩阵恢复。
- 稳健的图神经网络通过无偏聚合
通过对代表性鲁棒性图神经网络的鲁棒性分析，我们提供了一个统一的鲁棒估计视角以了解它们的鲁棒性和局限性。我们通过估计偏差的新颖分析来设计了一个鲁棒而无偏的图信号估计器，并开发了一个高效的拟牛顿迭代加权最小二乘算法来解决估计问题，在图神经网络中 - ICCVRLSAC: 强化学习增强的样本一致性用于端到端鲁棒估计
RLSAC 是一个采用强化学习增强的样本一致性框架，利用数据和记忆特征指导采样下一个最小集合的探索方向，通过无监督训练以下游任务的反馈作为奖励，从而避免了区分学习特征和下游任务的反馈，能逐渐探索出更好的假设。
- AffineGlue：联合匹配与稳健估计
我们提出了 AffineGlue，这是一种联合两视图特征匹配和鲁棒估计的方法，通过使用单点最小求解器减少问题的组合复杂性。AffineGlue 从一对多的对应中选择潜在匹配项来估计最小模型。引导匹配然后用于发现与模型一致的匹配，避免了一对一 - 共识自适应 RANSAC
通过引入注意机制和一步变压器，我们提出了一种新的 RANSAC 框架，其学习通过考虑迄今为止观察到的残差来探索参数空间，并在实验中表现出了显著的性能提升和良好的泛化性能。
- 稳定凸松弛法私有鲁棒估计
提出了一种新的框架，以将鲁棒性的凸松弛算法修改为满足适当参数规范的强最坏情况稳定性保证。通过这一框架，提出了一个可以在存在恶意数据干扰下实现微分隐私的高阶矩的鲁棒估计的算法，包括均值和协方差的估计。该算法成功地应用于成族分布，并在适当参数范 - BabelCalib: 一种万能的中央摄像机标定方法
提出了一种相机标定方法，通过后方投影模型先校准参数，然后回归到前方投影模型中，最终在绝对姿态估计任务上得出最准确的标定参数。
- 通过块坐标几何中位下降实现高维度的稳健训练
本文展示了在高维优化问题中，通过将几何中位数只应用于精心选择的坐标块并使用记忆机制，可以保留 0.5 的最优破坏点，以及与 Gm 的 SGD 具有可比的非渐近收敛速率。
- ICCVHuMoR: 坚韧姿态估计的 3D 人体运动模型
引入了 HuMoR：一种用于鲁棒估计时间姿态和形状的 3D 人体运动模型。该模型是一个表达能力强的条件变分自编码器生成模型，学习了运动序列每一步姿态变化的分布。通过灵活的优化方法，可以利用 HuMoR 运动先验知识从模糊的观察中鲁棒地估计出 - ROBIN: 一种基于图论的方法，在鲁棒估计中使用不变量拒绝异常值
本文介绍了一种名为 ROBIN 的方法，它基于不变量理论和兼容图模型，可以高效地解决机器人，计算机视觉和学习中数据关联和特征匹配引起的异常值问题。
- ICML带有重尾的协作多智体赌博机
本文提出了一种分散式多智能体算法 (MP-UCB)，基於信息传递协议，以强健的估计方式解决条件重尾的协作式随机赌博问题，并证明其具有优异的遗憾度表现。
- 广义拟梯度法的鲁棒估计
研究表明，在许多鲁棒性估计问题中，即使基础优化问题是非凸的，这些问题也能够有效地解决。研究这些鲁棒性估计问题的损失景观，并确定了存在 “广义拟梯度” 的情况。对于分布的鲁棒均值估计，我们证明了一阶稳定点是近似全局最小值，如果损坏水平小于 $ - MAGSAC++，一种快速、可靠、准确的鲁棒估计器
提出了一种新的鲁棒估计方法 MAGSAC ++，它引入了一种不需要内点 - 外点决策的新模型质量（评分）函数，并且提出了一种新的采样器 Progressive NAPSAC 用于类似于 RANSAC 的鲁棒估计器。在六个公开数据集上的实验表 - 算法高维鲁棒统计的最新进展
本文章讨论了高维数据的鲁棒性估计问题以及最近在该领域中提出的算法技术，尤其关注于鲁棒均值估计。
- 稳健空间感知的非凸性：从非极小解算器到全局异常值拒绝
本研究提出了一种可应用于任何非最小化求解器的鲁棒全局估计通用方法，该方法利用了鲁棒估计与异常值处理之间的 Black-Rangarajan 对偶并结合逐步非凸性与 SDP 解法求解，解决了常规稳健代价函数导致的非凸性问题；本方法应用于点云和 - 利用 $\ell_1$ 惩罚的 Huber $M$ 估计器对稀疏线性模型进行异常值鲁棒性估计
研究了在高斯设计和加性噪声的线性模型中，估计一个 p - 维 s - 稀疏向量的问题，证明当标签受到至多 o 个敌对异常数据的污染时，基于 n 个样本的 L1 惩罚 Huber's M - 估计量达到最优的收敛速率 (s /n)^ {1/2 - WWW算法决策中的公平：通过因果镜头探究
本研究通过因果模型的视角考虑了决策系统是否基于性别、种族、宗教等方面会造成歧视的问题，引入了基于因果关系的群体公平的两个定义：FACE 和 FACT，提出了鲁宾 - 尼曼潜在结果框架来鲁棒地估算 FACE 和 FACT，并在合成数据上展示了 - 基于主成分的鲁棒函数回归
通过提出鲁棒性函数主成分和鲁棒线性回归结合的两步估计方法和一种可以减少估计曲率的转换，本研究在椭圆分布下证明了这些估计量的 Fisher 一致性和在温和正则性条件下的一致性，探究了这些估计量的影响函数，模拟实验表明，相比现有的方法，所提出的 - CVPR潜在的 RANSAC
提出了一种能以恒定时间（与数据大小无关）评估 RANSAC 假设的方法，通过 Random Grids 的寻找相似假设对的方式，大大提高了 RANSAC 流程的效率且不影响准确性，成功应用于相机定位、3D 刚体对齐和 2D 透视矩阵估计等问 - 自适应 Huber 回归
本篇论文提出了一种针对大数据中的尾部离群值和重尾分布等问题的自适应 Huber 回归方法，其中关键观察是，用于鲁棒性参数自适应的最优偏差和鲁棒性之间的权衡应该适应于样本大小，维度和矩。