Outlier detection for high-dimensional data
高维数据的异常值检测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：摘要研究通用高维稳健异常检测，未给出金融风险或其他经济计量细分应用的直接依据。
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…
高维数据的异常值检测
- 研究问题
- 经典 Mahalanobis 距离方法在高维数据中难以适用时，如何构造稳健异常值检测并控制第一类错误？
- 方法与思路
- 作者以高崩溃点的最小对角乘积估计替代经典最小协方差行列式估计，并利用距离的渐近分布确定阈值。
- 材料陈述的贡献
- 摘要称该程序能够控制第一类错误并实现稳健异常值检测，模拟研究显示其在高维数据中表现良好。
- 阅读关注点
- 应核对维度与样本量的关系、距离渐近分布的条件、阈值控制的错误口径，以及变量相关性对检测的影响。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；高维渐近条件及误差控制范围未说明，不能推断刊本变化。
原文摘要
Outlier detection is an integral component of statistical modelling and estimation. For high-dimensional data, classical methods based on the Mahalanobis distance are usually not applicable. We propose an outlier detection procedure that replaces the classical minimum covariance determinant estimator with a high-breakdown minimum diagonal product estimator. The cut-off value is obtained from the asymptotic distribution of the distance, which enables us to control the Type I error and deliver robust outlier detection. Simulation studies show that the proposed method behaves well for high-dimensional data.