机构名称：
¥ 1.0
本文代表了我在针对统计鲁棒性的基于邻里的技术的新方法中的工作。这项工作偏离了使用邻里方法来建立稳健估计器的经典思想，通过构造估计器来抵抗与观察到的训练数据经验分布的偏差，而不是与某些参数模型的偏差。通过在分布强大的优化，经验过程理论和所谓的最大遗嘱遗嘱距离之间建立新的联系，这项工作估计了受惩罚回归问题的通用错误。据我所知，这是直接将基于概率指标空间的最佳基于基于运输的度量的最佳度量连接到所考虑的损失函数以提供鲁棒性保证的工作。
raghav singal
主要关键词
