SPADES and mixture models
SPADES 稀疏密度估计与混合模型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：摘要讨论通用稀疏密度与混合模型估计，未涉及分位数或经济分布效应等所列方向的直接问题。
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…
SPADES 稀疏密度估计与混合模型
- 研究问题
- 如何在高维混合密度模型中恢复未知成分，并实现非参数密度估计的自适应性，同时减少调参所需的计算成本？
- 方法与思路
- 作者采用 ℓ1 惩罚的 SPADES 密度估计，以稀疏预言不等式支撑理论，并用广义二分法进行数据驱动的调参和模拟。
- 材料陈述的贡献
- 摘要称在相应条件下可高概率恢复混合成分并获得极小极大自适应密度估计，调参程序避免网格搜索且节省计算。
- 阅读关注点
- 应核对混合成分可恢复性的条件、预言不等式的损失与余项，以及自适应覆盖的函数类和二分调参的实施要求。
- 阅读边界
- 材料为版本未注明的 OpenAlex 索引摘要；成分恢复和自适应结论的具体假设、概率界与计算节省幅度均未提供。
原文摘要
This paper studies sparse density estimation via ℓ1 penalization (SPADES). We focus on estimation in high-dimensional mixture models and nonparametric adaptive density estimation. We show, respectively, that SPADES can recover, with high probability, the unknown components of a mixture of probability densities and that it yields minimax adaptive density estimates. These results are based on a general sparsity oracle inequality that the SPADES estimates satisfy. We offer a data driven method for the choice of the tuning parameter used in the construction of SPADES. The method uses the generalized bisection method first introduced in [10]. The suggested procedure bypasses the need for a grid search and offers substantial computational savings. We complement our theoretical results with a simulation study that employs this method for approximations of one and two-dimensional densities with mixtures. The numerical results strongly support our theoretical findings.