面对大数据易被异常值污染的情况,研究通过Huber回归模型,进行相关统计推断,构建相关替代损失函数,实现基于替代似然函数优化的转化。在交替方向乘子法 (Alternating Direction Method of Multipliers,ADMM)的基础上,引入Proximal算子,...面对大数据易被异常值污染的情况,研究通过Huber回归模型,进行相关统计推断,构建相关替代损失函数,实现基于替代似然函数优化的转化。在交替方向乘子法 (Alternating Direction Method of Multipliers,ADMM)的基础上,引入Proximal算子,以此来进行模型参数估计。结果显示,研究方法能有效对模型参数进行估计,其估计精度趋近于A法,小于B法。在不同鲁棒性常数和随机误差下,研究方法估计误差最小达到0.008 5,与A法相同,明显小于B法。在实证分析中,整体上,研究方法预测误差趋近于A法,小于B法。鲁棒性常数为1,在交互次数为100次时,机器数为20台下,研究方法预测误差为0.000 16。在去中心化场景下,使用Proximal- ADMM算法,能降低大数据处理的计算成本,有效解决机器交互复杂度高的问题。展开更多
文摘面对大数据易被异常值污染的情况,研究通过Huber回归模型,进行相关统计推断,构建相关替代损失函数,实现基于替代似然函数优化的转化。在交替方向乘子法 (Alternating Direction Method of Multipliers,ADMM)的基础上,引入Proximal算子,以此来进行模型参数估计。结果显示,研究方法能有效对模型参数进行估计,其估计精度趋近于A法,小于B法。在不同鲁棒性常数和随机误差下,研究方法估计误差最小达到0.008 5,与A法相同,明显小于B法。在实证分析中,整体上,研究方法预测误差趋近于A法,小于B法。鲁棒性常数为1,在交互次数为100次时,机器数为20台下,研究方法预测误差为0.000 16。在去中心化场景下,使用Proximal- ADMM算法,能降低大数据处理的计算成本,有效解决机器交互复杂度高的问题。
