HAL-MLE Log-Splines Density Estimation (Part I: Univariate)
HAL-MLE 对数样条密度估计（第一部分：单变量）AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论的是非参数密度估计的惩罚似然与渐近理论，属于计量与统计理论方法，未涉及所给领域细分中的因果推断、面板、离散选择、时间序列、金融等具体应用方向，故不选择任何细分。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
HAL-MLE 对数样条密度估计（第一部分：单变量）
- 研究问题
- 研究在总变差型惩罚（截面变差范数）下，如何用 Highly Adaptive Lasso 框架进行概率密度的非参数极大似然估计，并刻画单变量情形下该估计量的渐近性质。
- 方法与思路
- 作者提出基于 HAL 的极大似然估计量（HAL-MLE），采用 Kooperberg 等（1992）的对数样条链接函数；摘要称在单变量情形下 HAL 所依赖的有界截面变差范数假设与经典有界总变差假设等价，从而把 HAL-MLE 与局部自适应样条等既有总变差惩罚方法联系起来。
- 材料陈述的贡献
- 摘要称给出三项新理论结果：单变量 HAL-MLE 渐近线性、逐点渐近正态，以及在光滑阶 k≥1 时达到 n^{-(k+1)/(2k+3)}（至多对数因子）的一致收敛速率；并称这扩展了 van 等（2017）在 k=0 时仅有一致性而无速率的结果，且意在为总变差惩罚密度估计提供统一框架。
- 阅读关注点
- 应核对等价性命题的确切表述与所需假设、渐近线性与渐近正态的成立条件（如惩罚参数、光滑阶、支撑与有界性条件）、一致收敛速率中“至多对数因子”的具体形式，以及作者如何界定与既有总变差惩罚方法的联系。
- 阅读边界
- 摘要未说明估计量的具体构造细节、惩罚参数选择方式、证明所依赖的识别与正则条件，也未给出模拟或实证结果；多变量一致收敛被明确留待后续工作。该文为 arXiv 预印本，不能据此声称已通过同行评审或已被期刊接收。
原文摘要
We study nonparametric maximum likelihood estimation of probability densities under a total variation (TV) type penalty, sectional variation norm (also named as Hardy-Krause variation). TV regularization has a long history in regression and density estimation, including results on $L^2$ and KL divergence convergence rates. Here, we revisit this task using the Highly Adaptive Lasso (HAL) framework. We formulate a HAL-based maximum likelihood estimator (HAL-MLE) using the log-spline link function from \citet{kooperberg1992logspline}, and show that in the univariate setting the bounded sectional variation norm assumption underlying HAL coincides with the classical bounded TV assumption. This equivalence directly connects HAL-MLE to existing TV-penalized approaches such as local adaptive splines \citep{mammen1997locally}. We establish three new theoretical results: (i) the univariate HAL-MLE is asymptotically linear, (ii) it admits pointwise asymptotic normality, and (iii) it achieves uniform convergence at rate $n^{-(k+1)/(2k+3)}$ up to logarithmic factors for the smoothness order $k \geq 1$. These results extend existing results from \citet{van2017uniform}, which previously guaranteed only uniform consistency without rates when $k=0$. We will include the uniform convergence for general dimension $d$ in the follow-up work of this paper. The intention of this paper is to provide a unified framework for the TV-penalized density estimation methods, and to connect the HAL-MLE to the existing TV-penalized methods in the univariate case, despite that the general HAL-MLE is defined for multivariate cases.