Simultaneous sharp estimation of functions and their derivatives
函数及其导数的同时精确估计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：摘要涉及一般非参数函数与导数估计理论，缺乏所列经济学细分领域的直接证据。
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
函数及其导数的同时精确估计
- 研究问题
- 在给定 Sobolev 空间与积分平方误差损失下，是否存在数据驱动估计量，能同时对函数及其导数达到渐近精确极小极大标准？
- 方法与思路
- 作者给出一个数据驱动估计量，并分析其对函数与导数的同时渐近极小极大性质；摘要未说明具体构造或观测模型。
- 材料陈述的贡献
- 摘要称所提估计量可同时达到函数与导数估计的渐近精确极小极大标准，并证明线性估计量不能同时达到该标准。
- 阅读关注点
- 阅读时应核对观测模型、Sobolev 空间与导数阶数、精确常数的定义，以及线性估计量不可能性结论的适用范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；模型、函数空间参数和估计构造未说明，不能据此判断有限样本表现或实际计算难度。
原文摘要
A data-driven estimate is given that, over a Sobolev space, is simultaneously asymptotically sharp minimax for estimating both the function and its derivatives under integrated squared error loss. It is also shown that linear estimates cannot be simultaneously asymptotically sharp minimax over a given Sobolev space.