Dimension Reduction and Adaptation in Conditional Density Estimation
条件密度估计中的降维与自适应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：摘要研究通用条件密度估计的降维与收敛理论，未明确涉及分位数、经济分布效应或其他所列细分目标。
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
条件密度估计中的降维与自适应
- 研究问题
- 面对连续与分类预测变量，如何估计条件密度并适应未知光滑度，同时在仅部分变量相关时利用较低的有效维度？
- 方法与思路
- 作者将条件密度分解为各降维子空间上的正交投影，以低频通用阈值和高频二进分块收缩估计投影，形成数据驱动估计器。
- 材料陈述的贡献
- 摘要称，估计器适应光滑度并达到均方积分误差的极小极大收敛率；若仅依赖部分预测变量，则达到相应较低维度的收敛率。
- 阅读关注点
- 读全文应核对函数类与损失的定义、投影分解和收缩规则，以及光滑度自适应与变量子集适应分别需要哪些条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体收敛率、函数空间及计算复杂度未列出，不能把降维性质理解为消除所有维度困难。
原文摘要
An orthogonal series estimator of the conditional density of a response given a vector of continuous and ordinal/nominal categorical predictors is suggested. The estimator is based on writing a conditional density as a sum of orthogonal projections on all possible subspaces of reduced dimensionality and then estimating each projection via a shrinkage procedure. The shrinkage procedure uses a universal thresholding and a dyadic-blockwise shrinkage for low and high frequencies, respectively. The estimator is data-driven, is adaptive to underlying smoothness of a conditional density, and attains a minimax rate of the mean integrated squared error convergence. Furthermore, if a conditional density depends only on a subgroup of predictors, then the estimator seizes the opportunity and attains a corresponding minimax rate of convergence. The latter property relaxes the notorious “curse of dimensionality.” Moreover, the estimator is fast, because neither projections nor shrinkages are computation-intensive. A numerical study for finite samples and a real example are presented. Our results indicate that the proposed estimation procedure is practical and has a rigorous theoretical justification.