Automatic Outlier Rectification via Optimal Transport
通过最优传输自动校正异常值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：摘要明确包含期权隐含波动率曲面拟合应用，直接对应波动率方向；其余方法为通用估计。
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…
通过最优传输自动校正异常值
- 研究问题
- 能否把异常值处理与目标估计联合优化，使异常值识别直接服务于估计任务，改善先删除异常值、再使用清洗数据估计的流程？
- 方法与思路
- 作者使用具有凹成本函数的最优传输距离，在概率分布空间构造校正集合，再从集合中选择适合估计任务的分布，联合完成校正与估计。
- 材料陈述的贡献
- 摘要称，凹成本有助于优化中识别异常值；均值估计、最小绝对偏差回归及期权隐含波动率曲面拟合的模拟和实证展示了方法效果。
- 阅读关注点
- 应核对凹成本与校正集合的定义、校正强度如何选择、联合优化的计算可行性，以及异常污染设定和各估计任务的比较指标。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实。摘要未给出稳健性条件、优化保证或量化结果，不能据此保证校正不会删除有效尾部信息。
原文摘要
In this paper, we propose a novel conceptual framework to detect outliers using optimal transport with a concave cost function. Conventional outlier detection approaches typically use a two-stage procedure: first, outliers are detected and removed, and then estimation is performed on the cleaned data. However, this approach does not inform outlier removal with the estimation task, leaving room for improvement. To address this limitation, we propose an automatic outlier rectification mechanism that integrates rectification and estimation within a joint optimization framework. We take the first step to utilize the optimal transport distance with a concave cost function to construct a rectification set in the space of probability distributions. Then, we select the best distribution within the rectification set to perform the estimation task. Notably, the concave cost function we introduced in this paper is the key to making our estimator effectively identify the outlier during the optimization process. We demonstrate the effectiveness of our approach over conventional approaches in simulations and empirical analyses for mean estimation, least absolute regression, and the fitting of option implied volatility surfaces.