サンプル除去に対するOLSのロバスト性：理論分析

この論文は、信頼できる機械学習モデルにとって重要な要素である、トレーニングサンプルの除去に対する最小二乗法（OLS）のロバスト性を調査しています。特定の条件下でのOLSのロバスト性に関する理論的保証を提供し、その限界と潜在的な脆弱性に関する洞察を提供します。この論文の分析は、OLSがいつ信頼できるか、またいつデータの摂動に敏感になる可能性があるかを理解するのに役立ち、これは実際のアプリケーションにとって重要です。

• •サンプル除去に対するOLSのロバスト性に関する理論的保証を提供する。
• •OLSがロバストである条件を特定する（k << sqrt(np)/log n）。
• •重いテール応答と相関サンプルがOLSのロバスト性に与える影響を強調する。
• •感度を軽減するために、Huber損失のようなロバストな方法の使用を提案する。