Consistency of data-driven histogram methods for density estimation and classification
数据驱动直方图密度估计与分类方法的一致性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：摘要研究通用密度估计与分类一致性，没有微观分布效应或其他领域的直接依据。
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…
关注这篇论文的作者
数据驱动直方图密度估计与分类方法的一致性
- 研究问题
- 对于多维数据上由样本决定分区的直方图方法，哪些一般条件能够保证密度估计及分类风险的几乎处处一致性？
- 方法与思路
- 作者从分区单元收缩、组合复杂度次指数增长及单元数次线性增长出发，建立密度估计和分类的一般充分条件。
- 材料陈述的贡献
- 摘要称，结果无需单元为轴平行矩形或每格包含最低点数，并用于证明若干间距、等概率块与多维聚类方法的一致性。
- 阅读关注点
- 应核对单元收缩和复杂度条件的定义、数据依赖分区的处理，以及一般条件如何在各个具体分区算法中得到验证。
- 阅读边界
- 所据 OpenAlex 索引摘要未注明稿件版本；摘要未列出完整抽样前提及收敛速度，分布限制少不代表任意分区规则都一致。
原文摘要
We present general sufficient conditions for the almost sure $L_1$-consistency of histogram density estimates based on data-dependent partitions. Analogous conditions guarantee the almost-sure risk consistency of histogram classification schemes based on data-dependent partitions. Multivariate data are considered throughout. In each case, the desired consistency requires shrinking cells, subexponential growth of a combinatorial complexity measure and sublinear growth of the number of cells. It is not required that the cells of every partition be rectangles with sides parallel to the coordinate axis or that each cell contain a minimum number of points. No assumptions are made concerning the common distribution of the training vectors. We apply the results to establish the consistency of several known partitioning estimates, including the $k_n$-spacing density estimate, classifiers based on statistically equivalent blocks and classifiers based on multivariate clustering schemes.