广义线性模型鲁棒学习中的截尾极大似然估计
机器学习
2022-10-25 v3 机器学习
摘要
我们研究了在对抗性污染下学习广义线性模型的问题。我们分析了一种称为迭代截尾极大似然估计器的经典启发式方法，该方法在实践中已知对标签污染有效。在标签污染下，我们证明这一简单估计器在包括高斯回归、泊松回归和二项回归在内的广泛广义线性模型上达到了极小极大近最优风险。最后，我们将该估计器推广到更具挑战性的标签与协变量污染设定，并证明了其在该设定下的鲁棒性与最优性。
引用
@article{arxiv.2206.04777,
title = {Trimmed Maximum Likelihood Estimation for Robust Learning in Generalized Linear Models},
author = {Pranjal Awasthi and Abhimanyu Das and Weihao Kong and Rajat Sen},
journal= {arXiv preprint arXiv:2206.04777},
year = {2022}
}