摘要：在開放環境下,數據中包含很多不確定性,如數據噪聲等,這給傳統的機器學習方法帶來了巨大的挑戰。該文綜述了當前考慮數據噪聲的魯棒回歸建模方法,具體可分為兩大類:基于數據預處理的魯棒回歸建模方法和基于魯棒策略的魯棒回歸建模方法。前者根據數據預處理方法的不同又分為基于異常點檢測和基于信號處理的魯棒回歸建模方法。后者所采用的魯棒策略主要有3種:加權函數、魯棒損失函數以及噪聲分布先驗。文中詳細地描述了魯棒回歸建模各個方向的研究工作,并對比了兩類魯棒回歸建模方法的優劣。最后,根據當前魯棒回歸建模存在的一些問題,也提出了構建魯棒模型的幾種可行的策略。