論文の概要: Adversarial robust weighted Huber regression
- arxiv url: http://arxiv.org/abs/2102.11120v4
- Date: Fri, 24 May 2024 07:32:53 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-28 00:41:01.423551
- Title: Adversarial robust weighted Huber regression
- Title(参考訳): 対向ロバスト重み付きフーバー回帰
- Authors: Takeyuki Sasai, Hironori Fujisawa,
- Abstract要約: 線形回帰係数のロバストな推定を考察する。
安定な階数と共分散行列の条件数に依存する推定誤差境界を導出する。
- 参考スコア(独自算出の注目度): 2.0257616108612373
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider a robust estimation of linear regression coefficients. In this note, we focus on the case where the covariates are sampled from an $L$-subGaussian distribution with unknown covariance, the noises are sampled from a distribution with a bounded absolute moment and both covariates and noises may be contaminated by an adversary. We derive an estimation error bound, which depends on the stable rank and the condition number of the covariance matrix of covariates with a polynomial computational complexity of estimation.
- Abstract(参考訳): 線形回帰係数のロバストな推定を考察する。
本稿では,未知の共分散を持つ$L$-subGaussian分布から共変分がサンプリングされた場合,有界絶対モーメントを持つ分布からノイズがサンプリングされ,共変分と雑音の両方が敵によって汚染される場合に焦点を当てる。
推定の多項式計算複雑性を伴う共変量共分散行列の安定ランクと条件数に依存する推定誤差境界を導出する。
関連論文リスト
- Generalization error bound for denoising score matching under relaxed manifold assumption [6.21156827269762]
非パラメトリックガウス混合による観測密度をモデル化する。
標準多様体の仮定を緩和し、サンプルを多様体から遠ざけるようにする。
評価値の近似と誤差の非漸近的境界を導出する。
論文 参考訳(メタデータ) (2025-02-19T12:14:52Z) - Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。
この設定では、一般化されたクロスバリデーション推定器(GCV)がサンプル外リスクを正確に予測できないことを示す。
さらに、テストポイントがトレーニングセットと非自明な相関を持つ場合、時系列予測でしばしば発生する設定にまで分析を拡張します。
論文 参考訳(メタデータ) (2024-08-08T17:27:29Z) - Sparse Linear Regression when Noises and Covariates are Heavy-Tailed and Contaminated by Outliers [2.0257616108612373]
本研究では,線形回帰係数を空間的仮定で推定する問題について検討する。
重尾分布から共変量やノイズを採取するだけでなく, オフレーヤによって汚染される状況も考慮する。
我々の推定器は効率的に計算でき、鋭い誤差境界を示すことができる。
論文 参考訳(メタデータ) (2024-08-02T15:33:04Z) - Multivariate root-n-consistent smoothing parameter free matching estimators and estimators of inverse density weighted expectations [51.000851088730684]
我々は、パラメトリックな$sqrt n $-rateで収束する、最も近い隣人の新しい修正とマッチング推定器を開発する。
我々は,非パラメトリック関数推定器は含まないこと,特に標本サイズ依存パラメータの平滑化には依存していないことを強調する。
論文 参考訳(メタデータ) (2024-07-11T13:28:34Z) - A Geometric Unification of Distributionally Robust Covariance Estimators: Shrinking the Spectrum by Inflating the Ambiguity Set [20.166217494056916]
制約的な仮定を課さずに共分散推定器を構築するための原理的手法を提案する。
頑健な推定器は効率的に計算可能で一貫したものであることを示す。
合成および実データに基づく数値実験により、我々の頑健な推定器は最先端の推定器と競合していることが示された。
論文 参考訳(メタデータ) (2024-05-30T15:01:18Z) - Outlier Robust and Sparse Estimation of Linear Regression Coefficients [2.0257616108612373]
線形回帰係数のアウトリー・ロバストとスパース推定について考察する。
本研究は,本研究と類似の関心を共有できる先行研究よりも,仮説の弱い誤差境界を示す。
論文 参考訳(メタデータ) (2022-08-24T14:56:52Z) - Robust and Sparse Estimation of Linear Regression Coefficients with
Heavy-tailed Noises and Covariates [0.0]
我々の推定器は効率的に計算でき、さらに推定誤差は鋭い。
本稿では, 重み付き分布から共変数とノイズを抽出し, 悪質な外乱によって共変数とノイズが汚染されることを論じる。
論文 参考訳(メタデータ) (2022-06-15T15:23:24Z) - Optimal variance-reduced stochastic approximation in Banach spaces [114.8734960258221]
可分バナッハ空間上で定義された収縮作用素の定点を推定する問題について検討する。
演算子欠陥と推定誤差の両方に対して漸近的でない境界を確立する。
論文 参考訳(メタデータ) (2022-01-21T02:46:57Z) - Heavy-tailed Streaming Statistical Estimation [58.70341336199497]
ストリーミング$p$のサンプルから重み付き統計推定の課題を考察する。
そこで我々は,傾きの雑音に対して,よりニュアンスな条件下での傾きの傾きの低下を設計し,より詳細な解析を行う。
論文 参考訳(メタデータ) (2021-08-25T21:30:27Z) - Minimax Optimal Estimation of KL Divergence for Continuous Distributions [56.29748742084386]
Kullback-Leibler の同一および独立に分布するサンプルからの発散は、様々な領域において重要な問題である。
単純で効果的な推定器の1つは、これらのサンプル間の近辺 k に基づいている。
論文 参考訳(メタデータ) (2020-02-26T16:37:37Z) - Estimating Gradients for Discrete Random Variables by Sampling without
Replacement [93.09326095997336]
我々は、置換のないサンプリングに基づいて、離散確率変数に対する期待値の偏りのない推定器を導出する。
推定器は3つの異なる推定器のラオ・ブラックウェル化として導出可能であることを示す。
論文 参考訳(メタデータ) (2020-02-14T14:15:18Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。