Robustifying Likelihoods by Optimistically Re-weighting Data
通过乐观数据重加权增强似然稳健性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：摘要研究通用似然稳健化，未明确涉及所列因果、面板、时间序列或金融细分。
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…
通过乐观数据重加权增强似然稳健性
- 研究问题
- 当离群值、污染或参数分布错设使似然推断对轻微偏离高度敏感时，如何构造显式容纳模型错设的稳健似然方法？
- 方法与思路
- 作者在经验测度的距离邻域内选择最有利于模型的数据生成分布，形成乐观加权似然，并重点研究总变差邻域下的性质与算法。
- 材料陈述的贡献
- 摘要称，乐观加权似然通过容纳少量模型错设缓解推断脆弱性，作者研究理论性质、开发估计算法，并展示混合模型与回归应用。
- 阅读关注点
- 核对邻域半径的设定、重加权约束与目标函数，以及稳健性收益如何与参数识别、估计偏差和不确定性推断相互影响。
- 阅读边界
- 所给为 OpenAlex 索引摘要，稿件版本未注明。摘要未给出具体稳健性定理或推断保证，不能判断任意错设下的可靠性。
原文摘要
Likelihood-based inferences have been remarkably successful in wide-spanning application areas. However, even after due diligence in selecting a good model for the data at hand, there is inevitably some amount of model misspecification: outliers, data contamination or inappropriate parametric assumptions such as Gaussianity mean that most models are at best rough approximations of reality. A significant practical concern is that for certain inferences, even small amounts of model misspecification may have a substantial impact; a problem we refer to as brittleness. This article attempts to address the brittleness problem in likelihood-based inferences by choosing the most model friendly data generating process in a distance-based neighborhood of the empirical measure. This leads to a new Optimistically Weighted Likelihood (OWL), which robustifies the original likelihood by formally accounting for a small amount of model misspecification. Focusing on total variation (TV) neighborhoods, we study theoretical properties, develop estimation algorithms and illustrate the methodology in applications to mixture models and regression.