Nonlinearly Smoothed EM Density Estimation with Automated Smoothing Parameter Selection for Nonparametric Deconvolution Problems
非参数反卷积的非线性平滑EM密度估计与自动平滑选择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：摘要讨论通用反卷积密度估计，未涉及分位数、分布效应或目录中的具体应用方向。
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
非参数反卷积的非线性平滑EM密度估计与自动平滑选择
- 研究问题
- 在非参数反卷积密度估计中，如何通过平滑似然构造可计算的估计量，并以数据自动选择平滑程度、建立一致性？
- 方法与思路
- 作者用EM算法求解平滑最大似然问题，加入数据驱动的差异原则选择平滑参数，并在正态噪声下与Fourier核反卷积法比较。
- 材料陈述的贡献
- 摘要称平滑估计问题存在唯一连续解，数据驱动平滑估计在温和光滑条件下强一致，并在所设光滑薄尾分布模拟中表现良好。
- 阅读关注点
- 应核对噪声分布的信息要求、平滑算子的定义、差异原则与算法收敛，以及唯一解和强一致性分别依赖的条件及尾部限制。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明，不能推断刊本变化；摘要未给出条件与数值结果，正态噪声及特定尾部下的比较不能推广到任意反卷积问题。
原文摘要
We study a nonparametric deconvolution density estimation problem. The estimator is obtained by an EM algorithm for a smoothed maximum likelihood estimation problem, which has a unique continuous solution. We present an implementation of the procedure incorporating a data-driven discrepancy principle for selecting the smoothing parameter. Simulations illustrate the good properties of the resulting estimator when the unknown distribution is smooth and has regularly varying thin tails. Comparisons with a Fourier kernel deconvolution method are made for the case of normal noise. We show that under mild smoothness conditions, the estimator based on the data-driven smoothing parameter is strongly consistent.