用于鲁棒高维数据分析的通用修剪估计族
机器学习
2017-08-22 v2
摘要
我们考虑鲁棒化高维结构化估计的问题。鲁棒技术在涉及离群值和数据损坏的真实世界应用中至关重要。我们关注高维设定下结构正则化 M 估计量的修剪（trimmed）版本，包括流行的最小修剪二乘（Least Trimmed Squares）估计量，以及用于广义线性模型和图模型的类似估计量，可使用可能非凸的损失函数。我们给出了其统计收敛速率和一致性的一般性分析，随后作为特例更详细地考察了 Lasso 和图 Lasso（Graphical Lasso）估计量的修剪版本。在优化方面，我们展示了如何将 M 估计量的算法扩展以拟合修剪变体，并为其数值收敛提供保证。高维修剪估计量的通用性和竞争性性能在模拟和真实世界基因组学数据上得到了数值验证。
引用
@article{arxiv.1605.08299,
title = {A General Family of Trimmed Estimators for Robust High-dimensional Data Analysis},
author = {Eunho Yang and Aurelie Lozano and Aleksandr Aravkin},
journal= {arXiv preprint arXiv:1605.08299},
year = {2017}
}
备注
39 pages, 6 figures