Tri-SEM:基于链式分割与残差分析的形状感知鲁棒回归方法

《Pattern Recognition》:Tri-SEM: A Shape-Aware Robust Regression Method via Chain-like Segmentation and Residual Analysis

【字体: 大 中 小 】 时间:2026年01月16日 来源:Pattern Recognition 7.6

编辑推荐:

  本文提出了一种创新的形状感知鲁棒回归框架Tri-SEM(三重分割-提取-合并),通过链式分割、凸包检测和直方图过渡分析有效识别异常值。该方法在35个数据集中90%以上案例显著优于MM估计量,为复杂数据场景下的回归诊断提供了几何结构敏感的解决方案。

  
?研究亮点?
本文开发的三阶段框架通过几何特征挖掘实现了对线性数据链状结构的精准捕捉,在保持计算效率的同时显著提升了高污染率场景下的估计稳健性。
?相关研究?
回归异常值检测主要存在三类策略:基于回归诊断的事前处理、基于鲁棒估计量的残差分析,以及采用机器学习的数据驱动方法。
?Tri-SEM方法详解?
考虑线性模型y=Xβ+ε,其中OLS(普通最小二乘法)估计因平方损失函数对异常值敏感。Tri-SEM通过三阶段处理:1)分割阶段利用投影分析和凸包检测在二维空间实现链式分段;2)提取阶段结合片段大小与中位数平方残差筛选清洁样本;3)合并阶段基于一维残差的直方图过渡点识别完成最终估计。
?实验验证?
实验部分包含数据集构建(第4.1节)、基线方法对比(第4.2节)以及鲁棒性分析(第4.3节),在多元场景下验证方法的适应性。
?研究结论?
Tri-SEM通过几何特征驱动的新型框架,有效解决了传统聚类方法对线性结构形态不敏感的问题,为高维异常值检测提供了可扩展的解决方案。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号