PulseAugur
实时 11:05:28
English(EN) Efficient Group Lasso Regularized Rank Regression with Simulation-Based Tuning

新的稳健回归方法应对重尾噪声和异常值

研究人员开发了一种新的稳健回归方法,该方法解决了高维数据中重尾噪声和异常值带来的挑战。该方法利用基于非平滑Wilcoxon得分的秩目标,并结合了分组稀疏性正则化。该方法包括一个基于仿真的调优规则,并为其估计器建立了有限样本误差界限,在数值实验中证明了其有效性和稳健性。 AI

影响 引入了一种更稳健的统计方法来分析高维数据,有可能提高在嘈杂环境中机器学习模型的可靠性。

排序理由 该集群包含一篇关于统计机器学习方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的稳健回归方法应对重尾噪声和异常值

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Meixia Lin, Mengjiao Shi, Yunhai Xiao, Qian Zhang ·

    高效的基于模拟调优的群组套索正则化秩回归

    arXiv:2510.11546v3 Announce Type: replace Abstract: High-dimensional regression often suffers from heavy-tailed noise and outliers, which can severely undermine the reliability of least-squares based methods. To improve robustness, we adopt a non-smooth Wilcoxon score based rank …