在当今复杂数据驱动的时代，科学家们越来越多地面对无法简单落在平坦欧几里得空间中的信息。从三维医学影像到机器人姿态，再到人工智能中的高维变换，大量数据实际上存在于弯曲的几何空间中，这类空间被称为黎曼流形。对这类数据进行准确分析一直面临挑战，尤其是在噪声或异常值干扰下，传统方法容易产生偏差或失真。 为应对这一难题，研究人员提出了一种稳健的“Huber均值”方法，专为几何数据设计。该方法结合了传统均值的平滑性与Huber损失函数对异常值的鲁棒性，能够在保持几何结构特性的前提下，有效抑制噪声和异常样本的影响。与传统均值相比，新方法在黎曼流形上更具稳定性，能更准确地反映数据的真实中心趋势。 该技术尤其适用于医学图像分析、机器人导航和深度学习中的几何建模等场景，为高维非线性数据的统计分析提供了更可靠的工具，推动了人工智能与科学计算在复杂空间中的深度融合。