Robust Mean Estimation for Optimization: The Impact of Heavy Tails
优化中的稳健均值估计：重尾分布的影响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：摘要讨论的是重尾随机变量期望的稳健估计与分布稳健优化，属于统计与优化理论，未涉及所提供领域细分中的因果推断、面板、时间序列或金融计量等方向。
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…
关注这篇论文的作者
优化中的稳健均值估计：重尾分布的影响
- 研究问题
- 摘要研究如何为非负重尾随机变量的期望值 μ 构造最不保守的估计量，并要求高估 μ 的概率足够小，以便后续用于决策过程。
- 方法与思路
- 作者提出用基于 Kullback-Leibler 散度的分布稳健优化（KL-DRO）问题来估计 μ，并称在此设定下该做法是最优的；摘要还将其统计性质与截断、方差正则化及 Wasserstein DRO 等估计量进行比较。
- 材料陈述的贡献
- 摘要称证明了在要求高估概率足够小的设定下，用 KL-DRO 估计 μ 是最优的，并称 KL-DRO 的统计性质优于基于截断、方差正则化和 Wasserstein DRO 的估计量。
- 阅读关注点
- 应核对最优性的形式化定义与证明条件、高估概率约束的具体设定、KL-DRO 与其他估计量比较所依据的统计准则，以及是否给出有限样本或渐近性质的明确结论。
- 阅读边界
- 这是 arXiv 预印本摘要，未经同行评审验证；摘要未说明具体模型假设、样本量条件、数值实验或证明细节，不能据此判断结论的普遍性与实际表现。
原文摘要
We consider the problem of constructing a least conservative estimator of the expected value $μ$ of a non-negative heavy-tailed random variable. We require that the probability of overestimating the expected value $μ$ is kept appropriately small; a natural requirement if its subsequent use in a decision process is anticipated. In this setting, we show it is optimal to estimate $μ$ by solving a distributionally robust optimization (DRO) problem using the Kullback-Leibler (KL) divergence. We further show that the statistical properties of KL-DRO compare favorably with other estimators based on truncation, variance regularization, or Wasserstein DRO.