Robust Estimation via Robust Gradient Estimation
通过稳健梯度估计实现稳健估计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：摘要涉及一般稳健优化、线性和逻辑回归，但未明确经济离散选择或其他所列领域，不能仅凭模型名称归类。
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…
通过稳健梯度估计实现稳健估计
- 研究问题
- 在污染数据或重尾分布下，如何以计算可行的方式求解凸风险最小化，并对常见统计模型提供稳健估计保证？
- 方法与思路
- 作者提出基于稳健梯度估计的梯度下降变体，建立一般凸风险问题的精度条件，并应用于回归及指数族参数估计。
- 材料陈述的贡献
- 摘要称所得估计在多种稳健设定下具有理论保证和计算可行性，并报告在合成及真实数据上优于多种基线的表现。
- 阅读关注点
- 应核对污染比例、重尾条件、风险函数性质及误差保证，并检查梯度计算成本、基线选择和实证比较是否公平。
- 阅读边界
- 仅据所给Crossref摘要；稳健性条件、误差界和实验数值未提供，作者报告的基线优势不能解释为普遍优越性。
原文摘要
Summary We provide a new computationally efficient class of estimators for risk minimization. We show that these estimators are robust for general statistical models, under varied robustness settings, including in the classical Huber ε-contamination model, and in heavy-tailed settings. Our workhorse is a novel robust variant of gradient descent, and we provide conditions under which our gradient descent variant provides accurate estimators in a general convex risk minimization problem. We provide specific consequences of our theory for linear regression and logistic regression and for canonical parameter estimation in an exponential family. These results provide some of the first computationally tractable and provably robust estimators for these canonical statistical models. Finally, we study the empirical performance of our proposed methods on synthetic and real data sets, and we find that our methods convincingly outperform a variety of baselines.