抗稀疏离群点的鲁棒分层优化 RLS
机器学习
2019-10-15 v1 机器学习
摘要
本文强化了近期提出的分层优化递归最小二乘（HO-RLS），以抵御不常污染线性回归模型的离群点。离群点被建模为 nuisance 变量，并通过稀疏诱导的（非）凸正则化最小二乘任务与线性滤波器/系统变量一同估计。所提出的抗离群点 HO-RLS 建立在具有恒定步长（学习率）的最速下降方向上，无需矩阵求逆（引理），可容纳已知相关矩阵的有色名义噪声，计算开销小，并在概率意义上为系统估计收敛到如下分层优化问题的解提供理论保证：在经典集成 LS 损失的最小化子上，最小化刻画未知系统先验知识的凸损失。在平稳与非平稳场景下对合成生成数据的广泛数值测试表明，所提方案相较最先进的技术有显著改进。
引用
@article{arxiv.1910.05399,
title = {Robust Hierarchical-Optimization RLS Against Sparse Outliers},
author = {Konstantinos Slavakis and Sinjini Banerjee},
journal= {arXiv preprint arXiv:1910.05399},
year = {2019}
}