基于非凸惩罚的鲁棒降秩回归，用于处理重尾噪声和缺失数据Paper#Machine Learning, Statistics🔬 Research|分析: 2026年1月3日 09:27•发布: 2025年12月30日 20:09•1分で読める•ArXiv分析本文解决了经典降秩回归（RRR）方法的局限性，这些方法对重尾误差、异常值和缺失数据敏感。它提出了一种鲁棒的 RRR 框架，使用 Huber 损失和非凸谱正则化（MCP 和 SCAD）来提高在具有挑战性的数据场景中的准确性。该方法无需插补即可处理缺失数据，并且其性能优于现有方法，这使其成为一项有价值的贡献。要点•提出了一种鲁棒的 RRR 框架，用于处理重尾噪声、异常值和缺失数据。•结合 Huber 损失和非凸谱正则化（MCP 和 SCAD）。•无需插补即可处理缺失数据。•在模拟和真实世界数据中优于现有方法。•提供用于实施的 R 包 (rrpackrobust)。引用 / 来源查看原文"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* 根据版权法第32条进行合法引用。较旧Why LLMs still have problems with OCR较新Built to benefit everyone相关分析Paper从未对齐图像即时进行3D场景编辑2026年1月3日 06:10Paper基于选择策略的协调人形机器人操作2026年1月3日 06:10Paper用于未来预测的LLM预测2026年1月3日 06:10来源: ArXiv