Faster than Fast-LTS: Robust Regression and Outlier Detection with DC Programming
比 Fast-LTS 更快：基于 DC 规划的稳健回归与异常值检测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。
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：摘要聚焦稳健回归的优化算法与异常值检测，未涉及所提供领域细分中的因果推断、面板、离散选择、时间序列、资产定价等方向，故不选择任何细分领域。
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…
比 Fast-LTS 更快：基于 DC 规划的稳健回归与异常值检测
- 研究问题
- 摘要称，针对含异常值数据集的稳健回归，Least Trimmed Squares（LTS）的精确解是计算代价高昂的组合问题，实践中常用的 Fast-LTS 启发式在核心步骤上需要大量初始点才能得到稳健结果；本文关注如何改进这一启发式。
- 方法与思路
- 作者提出将 LTS 问题重述为带 capped simplex 约束的凹最小化问题，并给出 successive Boosted Difference of Convex Functions Algorithm（sBDCA）作为求解方法；摘要还称通过 Łojasiewicz 性质证明其收敛性，并推导了问题特定的预条件矩阵以支持单次初始化。
- 材料陈述的贡献
- 摘要称，理论上 sBDCA 在最理想情形下以线性速率收敛到局部解；数值研究显示，带预条件的 sBDCA 在合成与真实数据上比 Fast-LTS 最多快 3.25 倍，目标函数值最多低 90%，在高维情形尤为明显，且代码公开。
- 阅读关注点
- 应核对 LTS 的凹重述与 capped simplex 约束的等价性、Łojasiewicz 条件下线性收敛的具体假设与适用范围、预条件矩阵的构造与理论依据，以及数值比较的实验设置、基准实现与高维结论的可复现性。
- 阅读边界
- 摘要未说明收敛速率结论所需的具体正则性条件、预条件矩阵的推导细节、数据集规模与维度范围，也未给出统计推断性质；所引数值均为作者自述，未经独立验证。该文为 arXiv 预印本，不能据此声称已通过同行评审或期刊接收。
原文摘要
When datasets contain outliers, robust regression is a well-established alternative to Ordinary Least Squares. A commonly employed robust estimator is Least Trimmed Squares (LTS), which computes the regression coefficients from a subset of observations. Determining the exact solution corresponds to a combinatorial problem with prohibitive computational costs, even for instances of moderate dimension. Thus, the most prevalent approach in practice remains a heuristic known as Fast-LTS. Although the heuristic often performs effectively, certain elements of the approach remain open to improvement. In particular, its core procedure provides robust results only when initialized with a large number of starting points. To address the heuristic's limitations, this paper reformulates the LTS problem as a concave minimization problem subject to a capped simplex constraint, and proposes the successive Boosted Difference of Convex Functions Algorithm (sBDCA) as a solution method. Theoretically, we establish via the Łojasiewicz property that sBDCA converges to a local solution with a linear rate in the fastest case. To ensure robustness from a single initialization in practice, we derive and integrate a problem-specific preconditioning matrix into the algorithmic setup. Building on this theoretical foundation, we conduct numerical studies on various synthetic and real-world datasets to demonstrate the effectiveness of sBDCA with preconditioning. Specifically, we show that our approach is up to 3.25 times faster than Fast-LTS and achieves up to 90% lower objective function values, particularly in high-dimensional settings. As all code is openly available, this paper further provides a practical guide to robust regression in Python.