인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 저널정보
- 한국통계학회 CSAM(Communications for Statistical Applications and Methods) CSAM(Communications for Statistical Applications and Methods) 제33권 제3호
- 발행연도
- 2026.5
- 수록면
- 401 - 414 (14page)
이용수
초록· 키워드
This paper studies robust learning methods for deep neural networks in the presence of outliers. While conventional training based on mean squared error (MSE) is optimal under normality assumptions, it is highly sensitive to anomalous observations commonly encountered in real-world data. To address this limitation, we adopt the minimum density power divergence framework, which enables a flexible trade-off between robustness and statistical efficiency through a tuning parameter. This paper extends the framework to univariate time series settings and shows that the resulting loss function down-weight the contribution of observations with large residuals to the gradient of model parameters during training. In addition, we integrate an outlier detection procedure based on standardized residuals and tail probability estimation. A data-driven strategy for selecting the tuning parameter is also provided. Simulation studies demonstrate the effectiveness of the proposed method in achieving robust estimation and reliable outlier detection.
#density power divergence
#deep neural network
#robustness
#outlier detection
#tuning parameter selection
상세정보 수정요청해당 페이지 내 제목·저자·목차·페이지정보가 잘못된 경우 알려주세요!
목차
- Abstract
- 1. Introduction
- 2. Main method
- 3. Simulation study
- 4. Conclusion
- References
참고문헌
참고문헌 신청최근 본 자료
