让${<trans\; data-src="(">(</trans>{\mathit{<trans\; data-src="Y">Y（Y）</trans>}}_{\mathit{<trans\; data-src="t">t吨</trans>}}<trans\; data-src=")">)</trans>}_{\mathit{<trans\; data-src="t">t吨</trans>}<trans\; data-src="\ge ">\ge </trans>\mathrm{<trans\; data-src="1">1</trans>}}$是一系列i.i.d.观察结果$<trans\; data-src="\{">\{</trans>{\mathit{<trans\; data-src="f">（f）</trans>}}_{\mathit{<trans\; data-src="\theta ">\theta </trans>}}<trans\; data-src=",">,</trans>\mathit{<trans\; data-src="\theta ">\theta </trans>}<trans\; data-src="\in ">\in </trans>{\mathbb{<trans\; data-src="R">R（右）</trans>}}^{\mathit{<trans\; data-src="d">d日</trans>}}<trans\; data-src="\}">\}</trans>$是一个参数化模型。我们介绍了一种新的在线计算序列的算法${<trans\; data-src="(">(</trans>{\stackrel{<trans\; data-src="ˆ">ˆ</trans>}{\mathit{<trans\; data-src="\theta ">\theta </trans>}}}_{\mathit{<trans\; data-src="t">t吨</trans>}}<trans\; data-src=")">)</trans>}_{\mathit{<trans\; data-src="t">t吨</trans>}<trans\; data-src="\ge ">\ge </trans>\mathrm{<trans\; data-src="1">1</trans>}}$，几乎可以肯定地收敛到${<trans\; data-src="argmax">argmax（最大值）</trans>}_{\mathit{<trans\; data-src="\theta ">\theta </trans>}<trans\; data-src="\in ">\in </trans>{\mathbb{<trans\; data-src="R">R（右）</trans>}}^{\mathit{<trans\; data-src="d">d日</trans>}}}\mathbb{<trans\; data-src="E">E类</trans>}<trans\; data-src="[">[</trans><trans\; data-src="log">日志</trans>{\mathit{<trans\; data-src="f">（f）</trans>}}_{\mathit{<trans\; data-src="\theta ">\theta </trans>}}<trans\; data-src="(">(</trans>{\mathit{<trans\; data-src="Y">Y（Y）</trans>}}_{\mathrm{<trans\; data-src="1">1</trans>}}<trans\; data-src=")">)</trans><trans\; data-src="]">]</trans>$按速率$\mathcal{<trans\; data-src="O">O（运行）</trans>}<trans\; data-src="(">(</trans><trans\; data-src="log">日志</trans>{<trans\; data-src="(">(</trans>\mathit{<trans\; data-src="t">t吨</trans>}<trans\; data-src=")">)</trans>}^{<trans\; data-src="(">(</trans>\mathrm{<trans\; data-src="1">1</trans>}<trans\; data-src="+">+</trans>\mathit{<trans\; data-src="\epsilon ">\epsilon </trans>}<trans\; data-src=")">)</trans><trans\; data-src="/">/</trans>\mathrm{<trans\; data-src="2">2</trans>}}{\mathit{<trans\; data-src="t">t吨</trans>}}^{<trans\; data-src="-">-</trans>\mathrm{<trans\; data-src="1">1</trans>}<trans\; data-src="/">/</trans>\mathrm{<trans\; data-src="2">2</trans>}}<trans\; data-src=")">)</trans>$，使用$\mathit{<trans\; data-src="\epsilon ">\epsilon </trans>}<trans\; data-src=">">></trans>\mathrm{<trans\; data-src="0">0</trans>}$用户指定的参数。这个收敛结果是在统计模型的标准条件下获得的，最值得注意的是，我们允许映射$\mathit{<trans\; data-src="\theta ">\theta </trans>}<trans\; data-src="\mapsto ">\mapsto </trans>\mathbb{<trans\; data-src="E">E类</trans>}<trans\; data-src="[">[</trans><trans\; data-src="log">日志</trans>{\mathit{<trans\; data-src="f">（f）</trans>}}_{\mathit{<trans\; data-src="\theta ">\theta </trans>}}<trans\; data-src="(">(</trans>{\mathit{<trans\; data-src="Y">Y（Y）</trans>}}_{\mathrm{<trans\; data-src="1">1</trans>}}<trans\; data-src=")">)</trans><trans\; data-src="]">]</trans>$成为多式联运。然而，处理每个观测的计算成本随着θ，这使得所提出的方法仅适用于低维或中等维问题。我们还导出了估计器的一个版本${\stackrel{<trans\; data-src="ˆ">ˆ</trans>}{\mathit{<trans\; data-src="\theta ">\theta </trans>}}}_{\mathit{<trans\; data-src="t">t吨</trans>}}$，它非常适合于作为稳健线性回归常用工具的学生t线性回归模型。如模拟数据和实际数据的实验所示，回归系数的相应估计值对异常值的存在具有鲁棒性，因此，作为副产品，我们获得了线性回归模型的一种新的自适应鲁棒在线估计方法。