A variational framework for modal estimation
众数估计的变分框架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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要涉及一般多元众数估计与聚类，未明确研究所列领域中的经济分布效应或其他计量问题。
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…
众数估计的变分框架
- 研究问题
- 当多元密度无法直接求值、维度又较高时，如何仅利用样本估计众数，并同时获得聚类结果与估计不确定性的量化？
- 方法与思路
- 作者提出 GERVE，以样本直接近似 Gibbs 分布，结合高斯混合变分退火和自然梯度优化，使混合成分集中于高密度区域。
- 材料陈述的贡献
- 摘要称低温下最优变分混合集中于总体全局众数；固定正温度下给出经验极大值的存在性、一致性、渐近正态性及自助法。
- 阅读关注点
- 应核对温度与样本量极限的关系、变分混合的限制及优化解的性质，并检查理论中的最优解与实际算法输出是否一致。
- 阅读边界
- 材料为 arXiv v2 预印本，不能据此声称已经同行评审或期刊接收；摘要未提供理论条件、算法收敛保证及实验误差的具体数值。
原文摘要
Multivariate mode estimation arises in many statistical problems such as inverse problems, multimodal sampling, and density-based clustering, but becomes challenging in moderate to high dimensions, especially when the underlying density is not directly evaluable. We introduce GERVE (Gibbs-measure Entropy-Regularized Variational Estimation), a sample-based method for estimating multivariate modes by approximating Gibbs distributions directly from samples, without estimating or evaluating the density. GERVE uses Gaussian-mixture variational annealing and natural-gradient optimization, producing a mixture concentrated in high-density regions whose component responsibilities also provide a clustering of the observations. We prove theoretical guarantees in two regimes: as the Gibbs temperature goes to zero, the optimal variational mixture concentrates around the global modes of the population density; at fixed positive temperature, we prove existence, consistency, and asymptotic normality of empirical maximizers and propose a bootstrap procedure for uncertainty quantification. Simulations and a real-data experiment show that GERVE accurately recovers modes and produces meaningful clusters.