Minimax properties of Fréchet means of discretely sampled curves
离散采样曲线 Fréchet 均值的极小极大性质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：摘要研究函数型数据与非欧空间均值估计，未明确涉及所列宏观、微观或金融细分方向。
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
离散采样曲线 Fréchet 均值的极小极大性质
- 研究问题
- 当相似曲线的差异来自随机几何变形和加性噪声时，如何估计共同平均形态，其可达到的最优估计速率是什么？
- 方法与思路
- 作者利用将平均概念推广至非欧空间的 Fréchet 均值构造估计量，并在曲线数量与采样点数量同时增长的框架下分析。
- 材料陈述的贡献
- 摘要称推导出该平均形态估计问题的极小极大速率，并证明所提估计量在上述双重渐近框架下达到这一最优速率。
- 阅读关注点
- 应核对曲线空间的距离、几何变形模型及平均形态的定义，并检查双重渐近增长关系和极小极大比较所用损失函数。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；变形类别、损失函数及增长条件未说明，不能判断有限采样下的适用性。
原文摘要
We study the problem of estimating a mean pattern from a set of similar curves in the setting where the variability in the data is due to random geometric deformations and additive noise. We propose an estimator based on the notion of Fréchet mean that is a generalization of the standard notion of averaging to non-Euclidean spaces. We derive a minimax rate for this estimation problem, and we show that our estimator achieves this optimal rate under the asymptotics where both the number of curves and the number of sampling points go to infinity.