Kernel-based Adaptive Huber Mean Regression with Heavy Tails and Contamination
重尾与污染下基于核的自适应Huber均值回归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：摘要研究通用稳健条件均值学习，未提供因果、分布效应或特定经济数据结构的分类依据。
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
重尾与污染下基于核的自适应Huber均值回归
- 研究问题
- 在误差重尾且部分响应受到任意污染时，如何稳健学习条件均值，并通过核近似降低计算负担而维持统计收敛表现？
- 方法与思路
- 作者在再生核希尔伯特空间中研究自适应Huber均值回归，分析有限误差矩及污染对误差界的影响，并引入随机特征近似。
- 材料陈述的贡献
- 摘要称无污染时在相应矩条件下达到所述极小极大速率，污染产生额外误差项，且少于样本量的随机特征可保持相同速率。
- 阅读关注点
- 应核对Huber参数的选择、核空间与误差矩条件、污染项的量级，以及随机特征数量所需条件和速率比较的具体标准。
- 阅读边界
- 仅据所给OpenAlex摘要版本，不能推断后续刊本变化。摘要未给出完整速率和污染模型细节；条件均值回归不等同于分位数效应分析。
原文摘要
We consider robust conditional mean learning in the mathematical framework of reproducing kernel Hilbert spaces, assuming the errors can be heavy-tailed and at the same time some responses are subject to arbitrary contamination. Simultaneous robustness to both heavy tails and contamination are of interest. When there is no contamination, we establish rates when the (1+θ)-moment ( θ>0) of the error exists, which matches the minimax rate for the least squares regression as soon as θ≥1, although the existing upper bounds for the least squares regression usually assume sub-Gaussian or sub-exponential error distribution. The existence of contamination adds an additional term to the bound. We also consider learning using random features, which is a computationally efficient kernel approximation method to relieve the computational burden of kernel-based learning. We show the same rates can be achieved with the number of random features much smaller than the sample size, extending previous results on random features for least squares kernel regression.