On the statistical complexity of sample amplification
样本扩增的统计复杂性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：摘要研究通用分布学习与样本扩增理论，没有明确指向给定的经济计量细分领域。
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…
样本扩增的统计复杂性
- 研究问题
- 给定未知分布P的n个独立同分布样本，何时能生成n+m个样本，使其无法与直接来自P的n+m个独立同分布样本区分？
- 方法与思路
- 作者提出具有一般适用性的样本扩增程序和下界分析技术，并将问题连接到既有统计概念，覆盖包括指数族在内的一大类分布。
- 材料陈述的贡献
- 摘要称为样本扩增建立了统计理论基础，提供程序与下界工具，并严格联系样本扩增和分布学习这两个统计问题。
- 阅读关注点
- 应核对不可区分性的距离或决策标准、允许的扩增规模、算法所需分布信息，以及程序上界和复杂性下界是否匹配。
- 阅读边界
- 仅依据 Crossref 摘要；具体分布条件、扩增规模与复杂性界未说明，不能据此声称生成样本等同于获得真实新增观测。
原文摘要
The “sample amplification” problem formalizes the following question: Given n i.i.d. samples drawn from an unknown distribution P, when is it possible to produce a larger set of n+m samples which cannot be distinguished from n+m i.i.d. samples drawn from P? In this work, we provide a firm statistical foundation for this problem by deriving generally applicable amplification procedures, lower bound techniques and connections to existing statistical notions. Our techniques apply to a large class of distributions including the exponential family, and establish a rigorous connection between sample amplification and distribution learning.