Towards Practical Robustness Auditing for Linear Regression
迈向实用的线性回归稳健性审计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：摘要讨论通用线性回归的算法稳健性审计，未明确涉及因果、面板、时间序列或所列金融方向，分类证据不足。
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
迈向实用的线性回归稳健性审计
- 研究问题
- 对于普通最小二乘回归，如何找到删除后会使某个系数改变符号的小样本子集，或证明这种具有影响力的子集不存在？
- 方法与思路
- 作者考察混合整数二次约束优化与特殊情形下的精确贪心方法，并提出借鉴算法稳健统计思想的谱算法，以缓解不存在性证明的计算困难。
- 材料陈述的贡献
- 摘要称所考察方法在低维回归审计中大体优于现有方法，但三维及以上问题的不存在性证明仍有瓶颈，并提供挑战数据集总结限制。
- 阅读关注点
- 应核对允许删除的样本数、目标系数和符号翻转定义、算法最优性或不可行性证书，以及运行成本与比较方法的设置。
- 阅读边界
- 所据为 arXiv 预印本，不能确认同行评审或期刊接收；摘要未给出复杂度和性能数值，删除敏感性也不能单独判断因果识别是否有效。
原文摘要
We investigate practical algorithms to find or disprove the existence of small subsets of a dataset which, when removed, reverse the sign of a coefficient in an ordinary least squares regression involving that dataset. We empirically study the performance of well-established algorithmic techniques for this task -- mixed integer quadratically constrained optimization for general linear regression problems and exact greedy methods for special cases. We show that these methods largely outperform the state of the art and provide a useful robustness check for regression problems in a few dimensions. However, significant computational bottlenecks remain, especially for the important task of disproving the existence of such small sets of influential samples for regression problems of dimension $3$ or greater. We make some headway on this challenge via a spectral algorithm using ideas drawn from recent innovations in algorithmic robust statistics. We summarize the limitations of known techniques in several challenge datasets to encourage further algorithmic innovation.