Adaptive Bayesian multivariate density estimation with Dirichlet mixtures
基于 Dirichlet 混合的自适应贝叶斯多元密度估计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：摘要是一般多元密度估计理论，未明确分位数、分布效应或其他所列专门研究目标。
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 Dirichlet 混合的自适应贝叶斯多元密度估计
- 研究问题
- 在真实密度的光滑度未知时，贝叶斯多元密度估计能否自动适应该光滑度，并达到相应函数类的极小极大最优收敛速率？
- 方法与思路
- 作者使用正态核的 Dirichlet 混合并对核协方差设置先验，推导保证速率的充分条件，涵盖局部 Hölder 类及各向异性扩展。
- 材料陈述的贡献
- 摘要称给出自适应最优速率的充分条件，并验证一种高斯基准测度与逆 Wishart 协方差先验的配置，提出密度近似和筛空间技术。
- 阅读关注点
- 应核对密度距离、光滑类与尾部条件、先验质量和协方差限制，以及所谓最优速率是否包含对数项及各向异性的适用范围。
- 阅读边界
- 材料为版本未注明的索引摘要；未列出具体速率、尾部假设或充分条件，不能把最优性推广到任意密度或先验，也不能推断刊本变化。
原文摘要
We show that rate-adaptive multivariate density estimation can be performed using Bayesian methods based on Dirichlet mixtures of normal kernels with a prior distribution on the kernel's covariance matrix parameter. We derive sufficient conditions on the prior specification that guarantee convergence to a true density at a rate that is minimax optimal for the smoothness class to which the true density belongs. No prior knowledge of smoothness is assumed. The sufficient conditions are shown to hold for the Dirichlet location mixture-of-normals prior with a Gaussian base measure and an inverse Wishart prior on the covariance matrix parameter. Locally Hölder smoothness classes and their anisotropic extensions are considered. Our study involves several technical novelties, including sharp approximation of finitely differentiable multivariate densities by normal mixtures and a new sieve on the space of such densities.