.png){kind=icon}
返回
Robustifying Likelihoods by Optimistically Re-weighting Data
.png){kind=icon}
PRE
AI
DOI：10.1080/01621459.2025.2468012.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于似然的推断在广泛的应用领域中取得了显著成功。然而，即使对现有数据谨慎选择了合适的模型，也必然存在一定程度的模型误设：异常值、数据污染或不当的参数假设（如正态性）意味着大多数模型最多只是现实的粗略近似。一个重要的实际问题是，对于某些推断，即使少量的模型误设也可能产生重大影响；我们称之为“脆性”问题。本文试图通过在经验测度的距离基础邻域中选择最友好的数据生成过程来解决似然推断中的脆性问题。这导致了一种新的乐观加权似然（OWL），它通过正式考虑少量模型误设来增强原始似然的稳健性。我们聚焦于总变差（TV）邻域，研究了理论性质，开发了估计算法，并在混合模型和回归的应用中阐述了该方法。本文的补充材料可在网上获取，包括用于复现工作的标准化材料描述。
Keyword:
Coarsened Bayes
Data contamination
Mixture models
Model misspecification
Outliers
Robust inference
Total variation distance
期刊
J
IF:
3
论文数:
5.2K
被引数:
4.8W
机构
引用论文
.png){kind=icon}
分享收藏分享收藏
查看更多内容