Robust density estimation using distance methods
基于距离方法的稳健空间密度估计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：摘要研究空间分布下的密度估计，空间聚集本身不足以归入网络与干扰。
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
基于距离方法的稳健空间密度估计
- 研究问题
- 当空间分布偏离完全随机模式、呈现规则性或聚集性时，距离型密度估计为何可能严重偏误，如何评估新估计量的稳健性？
- 方法与思路
- 作者提出新的距离型密度估计量，并借助两个随机空间模型进行解析评估，覆盖从极规则到随机再到极聚集的模式。
- 材料陈述的贡献
- 摘要所述贡献是提出新估计量，并在覆盖连续空间模式范围的两个模型下分析稳健性；未概括具体偏误改善幅度。
- 阅读关注点
- 应核对这里密度的空间含义、距离观测与抽样方式，以及两个随机模型的设定和稳健性的具体评价标准。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；摘要未说明新估计量形式或解析结果，稳健性评估不能直接推广到任意空间过程。
原文摘要
Distance estimators of density may exhibit serious bias unless the population under consideration forms a completely random spatial pattern, i.e. the estimators are not robust. In this paper some new estimators are proposed, and their robustness is assessed analytically against two stochastic models, which together embrace a continuous range of spatial pattern, from extreme regularity, through randomness, to extreme aggregation.