我们可以使用链接到您的Project Euclid帐户的电子邮件地址帮助您重置密码。
我们研究了凸损失函数和$L$-Lipschitz损失函数回归问题的经验风险最小化器(ERM)和正则经验风险最小化子(RERM)。我们考虑$|{\mathcal{O}}|$恶意离群值污染标签的设置。在这种情况下,在局部Bernstein条件下,我们证明了$L_{2}$-错误率由$r_{N}+AL|{\mathcal{O}}|/N$限定,其中$N$是观察总数,$r_}N}$是未污染环境中的$L_}$-错误率,$a$是来自局部Bernstien条件的参数。当$r_{N}$在非污染环境中为最小速率优化时,当$|{\mathcal{O}}|$离群值污染标签时,速率$r_}N}+AL|{\mathcal{0}|/N$也是最小速率优化。本文的主要结果可用于弱噪声假设下的许多非正则化和正则化过程。我们给出了Huber的M-估计量(无惩罚或由$\ell_{1}$-范数正则化)的结果,以及在可重跟踪噪声的可再生核Hilbert空间中一般正则化学习问题的结果。
杰弗里·奇诺特。 “当恶意异常值损坏标签时,ERM和RERM是回归问题的最佳估计值。” 电子。J.统计。 14 (2) 3563 - 3605, 2020 https://doi.org/10.1214/20-EJS1754