Adaptive robust confidence intervals
自适应稳健置信区间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：材料研究通用污染模型下的稳健推断，分位数是构造工具，未涉及微观分布效应。
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…
关注这篇论文的作者
自适应稳健置信区间
- 研究问题
- 在 Huber 污染模型的污染比例未知时，稳健置信区间适应未知污染需要付出多大长度代价，分布形状有何影响？
- 方法与思路
- 作者通过对全部分位水平进行同时不确定性量化构造区间，并借助一类稳健假设检验扩展到高斯位置模型之外。
- 材料陈述的贡献
- 摘要称高斯均值的最优自适应区间必须比非自适应区间宽得多，呈指数级差异，且最优长度关键依赖分布形状。
- 阅读关注点
- 应核对自适应覆盖的定义、指数级差异针对的参数和范围，以及同时分位数量化与稳健检验之间的联系。
- 阅读边界
- 摘要未提供长度公式、污染比例范围和完整覆盖条件；不能将高斯均值结论推广为所有分布共有的同一代价。
原文摘要
This paper studies the construction of adaptive confidence intervals under Huber’s contamination model when the contamination proportion is unknown. For the robust confidence interval of a Gaussian mean, we show that the optimal length of an adaptive interval must be exponentially wider than that of a nonadaptive one. An optimal construction is achieved through simultaneous uncertainty quantification of quantiles at all levels. The results are further extended beyond the Gaussian location model by addressing a general family of robust hypothesis testing. In contrast to adaptive robust estimation, our findings reveal that the optimal length of an adaptive robust confidence interval critically depends on the distribution’s shape.