Differential Geometry of Curved Exponential Families-Curvatures and Information Loss
曲指数族的微分几何：曲率与信息损失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。
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：摘要属于统计模型的信息几何与高阶效率理论，未提供所列领域的具体关联。
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…
关注这篇论文的作者
曲指数族的微分几何：曲率与信息损失
- 研究问题
- 如何用微分几何描述指数族与曲指数族的统计结构，并解释 Fisher 有效估计量的二阶信息损失来源？
- 方法与思路
- 作者以 Legendre 对偶组织两类仿射联络与曲率，将二阶信息损失分解为模型曲率和估计量曲率相关项。
- 材料陈述的贡献
- 摘要称损失分为两个非负项，最大似然估计使估计量相关项消失，并给出恢复二阶信息损失的统计量及二阶效率。
- 阅读关注点
- 应核对两类曲率的定义、Fisher 有效性的前提、信息损失的度量，以及恢复损失的统计量和效率结论条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；最大似然估计仅被称为消除其中一项，不能据此声称消除全部二阶信息损失。
原文摘要
The differential-geometrical framework is given for analyzing statistical problems related to multi-parameter families of distributions. The dualistic structures of the exponential families and curved exponential families are elucidated from the geometrical viewpoint. The duality connected by the Legendre transformation is thus extended to include two kinds of affine connections and two kinds of curvatures. The second-order information loss is calculated for Fisher-efficient estimators, and is decomposed into the sum of two non-negative terms. One is related to the exponential curvature of the statistical model and the other is related to the mixture curvature of the estimator. Only the latter term depends on the estimator, and vanishes for the maximum-likelihood estimator. A set of statistics which recover the second-order information loss are given. The second-order efficiency also is obtained. The differential geometry of the function space of distributions is discussed.