SNAP：一种自我一致性原则及其在鲁棒计算中的应用
机器学习
2026-02-03 v1 机器学习
摘要
我们引入SNAP（Self-coNsistent Agreement Principle），这是一种基于相互一致性的自监督鲁棒计算框架。基于一致性-可靠性假设，SNAP分配权重以量化一致性，强化可信项并对离群值进行降权处理，无需监督或先验知识。一个关键结果是离群权重的指数抑制，确保即使在高维设置下，离群值对计算的贡献也微乎其微。我们研究了SNAP加权方案的性质，展示了其在向量平均和子空间估计中的实际优势。特别地，我们证明非迭代SNAP在迭代Weiszfeld算法和两个多变量均值中位数变体方面均表现更优。因此，SNAP提供了一种灵活、易用且广泛适用的鲁棒计算方法。
引用
@article{arxiv.2602.02013,
title = {SNAP: A Self-Consistent Agreement Principle with Application to Robust Computation},
author = {Xiaoyi Jiang and Andreas Nienkötter},
journal= {arXiv preprint arXiv:2602.02013},
year = {2026}
}