Some Nonasymptotic Bounds for $L_1$ Density Estimation using Kernels
核密度估计 L1 误差的若干非渐近界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：摘要给出通用核密度估计的非渐近误差理论，未涉及经济分布效应或其他所列具体方向。
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
核密度估计 L1 误差的若干非渐近界
- 研究问题
- 对于单调密度与有界变差密度，能否给出核估计 L1 误差的统一有限样本上界，并刻画其最优尺度？
- 方法与思路
- 作者采用单侧核技术推导误差的非渐近统一上界，分别研究样本量和密度总变差上限对上界的影响。
- 材料陈述的贡献
- 摘要称上界在样本量意义下最优；对于有界变差密度类，在总变差上限意义下也最优，并称证明较为简洁。
- 阅读关注点
- 应核对 L1 误差上界的概率或期望含义、统一性覆盖的密度类、单侧核与带宽设定，以及最优性的比较依据。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；界的常数、带宽选择和最优性定义未提供，不能外推到任意密度类别。
原文摘要
In this paper we obtain uniform upper bounds for the $L_1$ error of kernel estimators in estimating monotone densities and densities of bounded variation. The bounds are nonasymptotic and optimal in $n$, the sample size. For the bounded variation class, it is also optimal wrt an upper bound of the total variation. The proofs employ a one-sided kernel technique and are extremely simple.