Generalized resilience and robust statistics
广义韧性与稳健统计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用污染模型下的稳健统计，线性回归本身不足以支持所列具体计量领域分类。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
广义韧性与稳健统计
- 研究问题
- 面对总变差或 Wasserstein 距离刻画的数据污染，哪些总体分布性质能支持稳健估计，如何获得误差界与有限样本保证？
- 方法与思路
- 作者提出广义韧性条件，将最小距离泛函推广为向良好分布集合的投影，并利用连续性模控制总体误差及有限样本误差。
- 材料陈述的贡献
- 摘要称改善了总变差污染下若干估计任务的保证，并首次给出 Wasserstein-1 污染下二阶矩估计与线性回归的有限样本保证。
- 阅读关注点
- 应核对污染模型、广义韧性及矩条件的精确定义，检查不同任务的误差界、样本要求，以及最小距离估计是否可有效计算。
- 阅读边界
- 依据 OpenAlex 索引摘要，稿件版本未注明；具体误差界、计算保证和比较条件未说明，首次与改善等陈述仅为摘要所述。
原文摘要
Robust statistics traditionally focuses on outliers, or perturbations in total variation distance. However, a dataset could be maliciously corrupted in many other ways, such as systematic measurement errors and missing covariates. We consider corruption in either TV or Wasserstein distance, and show that robust estimation is possible whenever the true population distribution satisfies a property called generalized resilience, which holds under moment or hypercontractive conditions. For TV corruption model, our finite-sample analysis improves over previous results for mean estimation with bounded kth moment, linear regression, and joint mean and covariance estimation. For W1 corruption, we provide the first finite-sample guarantees for second moment estimation and linear regression. Technically, our robust estimators are a generalization of minimum distance (MD) functionals, which project the corrupted distribution onto a given set of well-behaved distributions. The error of these MD functionals is bounded by a certain modulus of continuity, and we provide a systematic method for upper bounding this modulus for the class of generalized resilient distributions, which usually gives sharp population-level results and good finite-sample guarantees.