Bayesian Robustness: A Nonasymptotic Viewpoint
贝叶斯稳健性：非渐近视角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：后验稳健采样与通用回归分类实验未明确对应所列经济计量细分方向。
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…
贝叶斯稳健性：非渐近视角
- 研究问题
- 当观测数据受到潜在对抗性异常值污染时，如何稳健地近似目标后验分布，并量化有限样本下的采样误差？
- 方法与思路
- 作者提出未调整朗之万算法的稳健变体 Rob-ULA，在目标后验满足对数凹性和平滑性假设时分析其采样分布。
- 材料陈述的贡献
- 摘要称，有限样本分析将采样分布误差与迭代次数、维度及污染比例联系起来，并用均值估计、回归和二分类实验支持理论。
- 阅读关注点
- 应核对污染模型、目标后验的定义、对数凹和平滑假设，以及平方二阶 Wasserstein 距离误差界中的隐藏依赖。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；所述保证限于相应后验类别，摘要未说明常数或适用污染上限。
原文摘要
We study the problem of robustly estimating the posterior distribution for the setting where observed data can be contaminated with potentially adversarial outliers. We propose Rob-ULA, a robust variant of the Unadjusted Langevin Algorithm (ULA), and provide a finite-sample analysis of its sampling distribution. In particular, we show that after T=O˜(d/εacc) iterations, we can sample from pT such that dist(pT,p*)≤εacc+O˜(ϵ), where ϵ is the fraction of corruptions and dist represents the squared 2-Wasserstein distance metric. Our results for the class of posteriors p* which satisfy log-concavity and smoothness assumptions. We corroborate our theoretical analysis with experiments on both synthetic and real-world datasets for mean estimation, regression and binary classification. Supplementary materials for this article are available online.