一篇新的研究论文探讨了在 Huber、减法和全变差三种污染模型下，鲁棒二元假设检验的样本复杂度。该研究为减法污染提供了显式公式，并证明了样本复杂度可能随着污染参数 $\varepsilon$ 的变化而变得非常不稳定。论文还表明，当 $\varepsilon$ 按常数因子重新缩放时，不同模型之间的样本复杂度具有可比性。 AI
影响 这项研究有助于加深对假设检验的理论理解，这可以为未来AI模型评估和鲁棒性方面的进步奠定基础。
排序理由 该集群包含一篇在 arXiv 上发表的研究论文，详细介绍了统计学领域的理论发现。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2605.24741v1 Announce Type: cross Abstract: We study the sample complexity of robust binary hypothesis testing under three standard contamination models: $\varepsilon$-additive (Huber), $\varepsilon$-subtractive, and $\varepsilon$-total variation (TV), denoted by $n^*_{\mat…
We study the sample complexity of robust binary hypothesis testing under three standard contamination models: $\varepsilon$-additive (Huber), $\varepsilon$-subtractive, and $\varepsilon$-total variation (TV), denoted by $n^*_{\mathrm{Hub}}(\varepsilon)$, $n^*_{\mathrm{Sub}}(\vare…