A data-adaptive method for estimating density level sets under shape conditions
形状约束下密度水平集估计的数据自适应方法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：摘要研究一般密度水平集及几何约束，未提供与所列经济计量细分方向直接相关的证据。
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…
形状约束下密度水平集估计的数据自适应方法
- 研究问题
- 当密度水平集满足可容纳多个连通分支的 r 凸性时，如何从随机样本估计集合，并处理随阈值变化的未知几何参数？
- 方法与思路
- 作者提出随机算法，从数据选择与集合曲率有关的 r 参数，再在 r 凸性约束下重建给定正阈值对应的密度水平集。
- 材料陈述的贡献
- 摘要称，所得水平集估计在 Hausdorff 距离和测度距离下达到极小极大收敛率，且该性质对水平阈值一致成立。
- 阅读关注点
- 应核对 r 凸性的精确定义、随机选择算法及其可实施性，以及收敛率所需的密度条件和阈值一致性的范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；具体正则条件、速率表达式和证明未提供，不能判断其对任意密度的适用性或刊本变化。
原文摘要
Given a random sample of points from some unknown density, we propose a method for estimating density level sets, for a positive threshold t, under the r-convexity assumption. This shape condition generalizes the convexity property and allows to consider level sets with more than one connected component. The main problem in practice is that r is an unknown geometric characteristic of the set related to its curvature, which may depend on t. A stochastic algorithm is proposed for selecting its value from data. The resulting reconstruction of the level set is able to achieve minimax rates for Hausdorff metric and distance in measure uniformly on the level t.