Online and Offline Robust Multivariate Linear Regression
在线与离线稳健多元线性回归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。
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：摘要聚焦稳健回归估计方法与算法，未涉及所给领域细分中的因果推断、面板、时间序列、金融等具体应用方向，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…
在线与离线稳健多元线性回归
- 研究问题
- 摘要称，研究多元高斯线性回归模型参数的稳健估计问题，即如何在噪声方差未知时，对最小二乘（马氏）准则做稳健化处理。
- 方法与思路
- 作者提出两类对比方法：一是在线随机梯度下降及其平均版本，二是离线不动点算法；准则为马氏最小二乘的稳健版本，可含或不含岭正则化，并用稳健噪声方差估计代入算法。
- 材料陈述的贡献
- 摘要称在较弱假设下证明了所得估计的渐近正态性，并在合成数据上显示相对经典最小二乘的稳健性大幅提升，以及在线版本的计算效率；所有算法在 CRAN 的 R 包 RobRegression 中实现。
- 阅读关注点
- 应核对：稳健准则的具体形式与正则化设定、弱假设的确切内容、渐近正态性的证明条件、噪声方差稳健估计的构造与代入方式，以及合成数据实验的设计与评价指标。
- 阅读边界
- 仅凭摘要无法判断假设是否可验证、渐近结果的实际有限样本表现、与既有稳健方法的比较范围，以及合成数据结论能否推广到真实数据；摘要未说明真实数据应用。
原文摘要
We consider the robust estimation of the parameters of multivariate Gaussian linear regression models. To this aim we consider robust version of the usual (Mahalanobis) least-square criterion, with or without Ridge regularization. We introduce two methods each considered contrast: (i) online stochastic gradient descent algorithms and their averaged versions and (ii) offline fix-point algorithms. Under weak assumptions, we prove the asymptotic normality of the resulting estimates. Because the variance matrix of the noise is usually unknown, we propose to plug a robust estimate of it in the Mahalanobis-based stochastic gradient descent algorithms. We show, on synthetic data, the dramatic gain in terms of robustness of the proposed estimates as compared to the classical least-square ones. Well also show the computational efficiency of the online versions of the proposed algorithms. All the proposed algorithms are implemented in the R package RobRegression available on CRAN.