重い裾ノイズと欠損データに対するロバストな低ランク回帰Paper#Machine Learning, Statistics🔬 Research|分析: 2026年1月3日 09:27•公開: 2025年12月30日 20:09•1分で読める•ArXiv分析この論文は、古典的な低ランク回帰（RRR）法の限界、すなわち重い裾のエラー、外れ値、および欠損データに対する感度に対処しています。Huber損失と非凸スペクトル正則化（MCPとSCAD）を使用して、困難なデータシナリオでの精度を向上させるロバストなRRRフレームワークを提案しています。欠損データを補完なしで処理できること、および既存の方法よりも優れたパフォーマンスを発揮できることは、この論文の重要な貢献です。重要ポイント•重い裾ノイズ、外れ値、および欠損データを処理するためのロバストなRRRフレームワークを提案。•Huber損失と非凸スペクトル正則化（MCPおよびSCAD）を組み合わせる。•補完なしで欠損データを処理する。•シミュレーションと実際のデータで既存の方法よりも優れている。•実装用のRパッケージ（rrpackrobust）を提供する。引用・出典原文を見る"The proposed methods substantially outperform nuclear-norm-based and non-robust alternatives under heavy-tailed noise and contamination."AArXiv2025年12月30日 20:09* 著作権法第32条に基づく適法な引用です。古い記事Why LLMs still have problems with OCR新しい記事Built to benefit everyone関連分析Paper未ポーズ画像からの即時3Dシーン編集2026年1月3日 06:10Paper選択ポリシーを用いた協調型人型ロボット操作2026年1月3日 06:10Paper将来予測のためのLLMフォアキャスティング2026年1月3日 06:10原文: ArXiv