Robust Moment-Based Estimation via Spectral Gradient Reweighting
基于谱梯度重加权的稳健矩估计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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要聚焦矩估计的稳健算法与理论误差界，属于计量方法本身，未直接对应所给因果推断、面板、离散选择、时间序列、资产定价等具体领域细分，故不选择。
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
基于谱梯度重加权的稳健矩估计
- 研究问题
- 摘要称，矩估计依赖样本平均，因而对离群值敏感；本文研究如何在矩匹配优化中对逐观测梯度进行稳健重加权，以在存在污染时仍能进行参数估计。
- 方法与思路
- 作者提出 SGR-GMM 算法，用谱梯度重加权原语在矩匹配优化中软重加权逐观测梯度；摘要称将固定中心下的原语表述为样本权重与密度矩阵之间的熵正则谱博弈，并用乘法权重类遗憾界分析，进而给出收敛半径、有限终止界与局部有限样本误差界。
- 材料陈述的贡献
- 摘要明确陈述三层贡献：固定中心下 SGR 原语的熵正则谱博弈表述与遗憾界分析；固定中心更新的显式收敛半径与有限终止界；依赖污染比例、内点梯度稳定性、局部 GMM 识别强度与优化精度的局部有限样本参数误差界。并将算法特化为稳健对角加权 GMM 估计量。
- 阅读关注点
- 应核对：谱博弈与遗憾界的具体假设；收敛半径与有限终止界的条件；误差界中污染比例、识别强度等量的定义与可验证性；DGMM 特化所依赖的低秩高斯混合与加性噪声设定；数值实验的基准、污染机制与代码可复现性。
- 阅读边界
- 仅凭摘要无法判断定理假设是否现实、误差界是否紧、数值实验是否覆盖真实数据；摘要未说明具体模拟设计、样本量、污染比例取值与对照方法细节。该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Moment-based estimation is a theoretically attractive approach to parametric inference, especially when likelihood-based estimation is unavailable, misspecified, or computationally inconvenient. However, the moment equations involve sample averages, which makes moment-based estimation sensitive to outliers. We propose the SGR-GMM algorithm, a robust generalized method of moments (GMM) procedure that uses a spectral gradient reweighting (SGR) primitive to soft-reweight the per-observation gradients during the moment-matching optimization. Our analysis has three layers. First, for a fixed center, the SGR primitive is formulated as an entropy-regularized spectral game between a sample-weight player and a density-matrix player, which is analyzed using classical multiplicative-weights and matrix-multiplicative-weights regret bounds. Second, we establish explicit convergence radius and finite termination bound for the fixed-center updates in the SGR primitive. Third, we prove a local finite-sample parameter estimation error bound with explicit dependence on the contamination fraction, inlier gradient stability, local GMM identification strength, and optimization accuracy. We further specialize the SGR-GMM algorithm to obtain a robust diagonally-weighted GMM (DGMM) estimator for estimating heteroscedastic low-rank Gaussian mixtures observed under additive Gaussian noise and strong contamination. In the numerical experiments, the SGR primitive produces nearly-oracle gradient estimation and the robust DGMM specialization substantially improves over non-robust moment baselines. The code and data are available at https://github.com/liu-lzhang/sgr-gmm.