English(EN) Robust Covariance Estimation for Entry-wise Contaminated and Partially Observed Data via Expectation Maximization Algorithm

新的SAEM算法增强了不完整数据的鲁棒协方差估计

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-16 04:00

研究人员开发了一种新的鲁棒协方差估计方法，该方法对于部分观测且包含逐项污染的数据特别有用。所提出的方法使用随机近似EM（SAEM）算法将Student-t*模型的推断扩展到不完整观测。该方法将坐标尺度上的随机更新与Rao-Blackwellized高斯条件矩相结合，避免了显式采样潜在高斯变量的需要。实验表明，在具有扩散性污染的中高异常值率下，该SAEM算法在Fisher-Rao误差方面优于包括高斯、Student-t和插补方法在内的现有估计器。 AI

影响引入了一种新颖的统计方法，可以提高处理嘈杂和不完整数据集的机器学习模型的可靠性。

排序理由详细介绍新统计算法及其实验验证的学术论文。[lever_c_demoted from research: ic=1 ai=0.7]

在 arXiv cs.LG 阅读 →

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

本文如何被排名

Signal score: 12 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 详细介绍新统计算法及其实验验证的学术论文。[lever_c_demoted from research: ic=1 ai=0.7]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Matys Savidan, Mohammed Nabil El Korso · 2026-10-16 04:00

基于期望最大化算法的带入式污染和部分观测数据的鲁棒协方差估计

arXiv:2610.21709v1 Announce Type: cross Abstract: Robust covariance estimation under entry-wise contamination and missing data is challenging in various signal processing applications. Under the Student-$t$ model, observation-level reweighting induces a uniform attenuation across…

本文如何被排名

报道来源 [1]

基于期望最大化算法的带入式污染和部分观测数据的鲁棒协方差估计

相关实体

相关话题