用于鲁棒散布估计的生成对抗网络：恰当评分准则视角
机器学习
2019-03-06 v1 统计理论
机器学习
统计理论
摘要
鲁棒散布估计是统计学中的基本任务。Gao 等人（2018）近期关于鲁棒估计与生成对抗网络（GANs）之间联系的发现表明，有可能使用优化 GANs 的类似技术来计算类深度的鲁棒估计量。在本文中，我们基于恰当评分准则的概念引入一个通过分类进行通用学习的框架。该框架使我们能够通过由恰当评分准则诱导的 -散度的变分近似视角来理解矩阵深度函数与各类 GANs。我们随后在此框架中通过精心构造具有合适神经网络结构的判别器，提出了一类新的鲁棒散布估计量。这些估计量被证明在 Huber 污染模型下达到散布估计的极小极大速率。我们的数值结果展示了其在多种设置下相对于文献中竞争方法的良好性能。
引用
@article{arxiv.1903.01944,
title = {Generative Adversarial Nets for Robust Scatter Estimation: A Proper Scoring Rule Perspective},
author = {Chao Gao and Yuan Yao and Weizhi Zhu},
journal= {arXiv preprint arXiv:1903.01944},
year = {2019}
}