我们使用影响函数的工具，对希尔伯特空间中位置的M-估计量进行了一种新的有限样本分析。特别地，我们证明了M估计量的偏差可以通过其影响函数（或其得分函数）来控制，然后，我们使用M估计量上的集中不等式来研究腐败环境（对抗腐败环境）中高维均值的稳健估计对于有界和无界得分函数。对于大小的样本n个和协方差矩阵∑，我们得到了最小最大速度$\sqrt{\mathrm{<trans\; data-src="T">吨</trans>}\mathrm{<trans\; data-src="r">第页</trans>}<trans\; data-src="(">(</trans>\mathrm{<trans\; data-src="\Sigma ">\Sigma </trans>}<trans\; data-src=")">)</trans><trans\; data-src="∕">∕</trans>\mathrm{<trans\; data-src="n">n个</trans>}}<trans\; data-src="+">+</trans>\sqrt{<trans\; data-src="\Vert ">\Vert </trans>\mathrm{<trans\; data-src="\Sigma ">\Sigma </trans>}{<trans\; data-src="\Vert ">\Vert </trans>}_{\mathrm{<trans\; data-src="o">o个</trans>}\mathrm{<trans\; data-src="p">第页</trans>}}<trans\; data-src="log">日志</trans><trans\; data-src="(">(</trans>\mathrm{<trans\; data-src="1">1</trans>}<trans\; data-src="∕">∕</trans>\mathit{<trans\; data-src="\delta ">\delta </trans>}<trans\; data-src=")">)</trans><trans\; data-src="∕">∕</trans>\mathrm{<trans\; data-src="n">n个</trans>}}$概率大于$\mathrm{<trans\; data-src="1">1</trans>}<trans\; data-src="-">-</trans>\mathit{<trans\; data-src="\delta ">\delta </trans>}$在一个沉重的背景下。与最近提出的其他方法相比，我们的方法的主要优势之一是，即使在复杂度为$\mathrm{<trans\; data-src="O">O（运行）</trans>}<trans\; data-src="(">(</trans>\mathrm{<trans\; data-src="n">n个</trans>}\mathrm{<trans\; data-src="d">d日</trans>}<trans\; data-src="log">日志</trans><trans\; data-src="(">(</trans>\mathrm{<trans\; data-src="T">吨</trans>}\mathrm{<trans\; data-src="r">第页</trans>}<trans\; data-src="(">(</trans>\mathrm{<trans\; data-src="\Sigma ">\Sigma </trans>}<trans\; data-src=")">)</trans><trans\; data-src=")">)</trans><trans\; data-src=")">)</trans>$哪里n个是样本大小，∑是内层的协方差矩阵，在我们为本文提供的代码中，测试速度非常快。