This paper studies robust mean estimators for distributions with only finite variances. We propose a new loss function that is a function of the mean parameter and a robustification parameter. By simultaneously optimizing the empirical loss with respect to both parameters, we show that the resulting estimator for the robustification parameter can automatically adapt to the data and the unknown variance. Thus the resulting mean estimator can achieve near-optimal finite-sample performance. Compared with prior work, our method is computationally efficient and user-friendly. It does not need cross-validation to tune the robustification parameter.

翻译：本文研究强性分布的符号估计值, 且只有有限差异。 我们提出一个新的损失函数, 这是平均参数和强力化参数的函数。 通过同时优化两个参数的经验损失, 我们显示, 由此得出的强性参数估计值可以自动适应数据和未知差异。 因此, 平均估计值可以达到近于最佳的有限抽样性能。 与先前的工作相比, 我们的方法在计算上是高效的, 便于用户使用。 不需要交叉验证来调节强性参数 。