Fully Data-Driven Normalized and Exponentiated Kernel Density Estimator with Hyvärinen Score
基于 Hyvärinen 评分的全数据驱动归一化幂化核密度估计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：摘要直接研究密度估计，并以收入数据考察分布形态，因此归入分位数与分布效应方向。
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…
基于 Hyvärinen 评分的全数据驱动归一化幂化核密度估计
- 研究问题
- 研究如何为幂化核密度估计自动选择两个平滑超参数，并处理幂化后归一化常数难以计算的问题。
- 方法与思路
- 作者通过最小化基于 Hyvärinen 评分的目标函数调节两个超参数，避免在优化过程中直接计算归一化常数。
- 材料陈述的贡献
- 摘要称给出了估计量的渐近性质；模拟与收入数据应用显示，该方法在多峰密度或含异常值时具有潜力。
- 阅读关注点
- 应核对两个超参数各自控制什么、评分目标的适用条件，以及多峰与异常值实验的比较方法和评价指标。
- 阅读边界
- 仅据所给 OpenAlex 版本摘要，无法判断渐近条件及实际改善幅度，也不能推断后续刊本变化。
原文摘要
Recently, Jewson and Rossell proposed a new approach for kernel density estimation using an exponentiated form of kernel density estimators. The density estimator contained two hyperparameters that flexibly controls the smoothness of the resulting density. We tune them in a data-driven manner by minimizing an objective function based on the Hyvärinen score to avoid the optimization involving the intractable normalizing constant caused by the exponentiation. We show the asymptotic properties of the proposed estimator and emphasize the importance of including the two hyperparameters for flexible density estimation. Our simulation studies and application to income data show that the proposed density estimator is promising when the underlying density is multi-modal or when observations contain outliers.