Smoothing Spline Density Estimation: A Dimensionless Automatic Algorithm
平滑样条密度估计：无量纲自动算法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：摘要研究一般概率密度估计算法，没有分位数或分布效应等所列方向的直接证据。
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…
关注这篇论文的作者
平滑样条密度估计：无量纲自动算法
- 研究问题
- 如何自动计算平滑样条非参数密度估计，并联合选择平滑参数，使有限维计算解兼顾统计表现与实际可操作性？
- 方法与思路
- 作者构造自适应有限维惩罚似然算法，通过交叉验证更新估计与平滑参数，以对称Kullback–Leibler距离的代理量评价表现。
- 材料陈述的贡献
- 摘要介绍并展示自动算法，以有限规模模拟及真实数据评估表现；有限维解与无限维解具有相同收敛率的结论归于前作。
- 阅读关注点
- 应核对无量纲化、有限维空间选择、交叉验证代理量及迭代规则，并区分本篇算法贡献与前作已经证明的收敛性质。
- 阅读边界
- 仅据稿件版本未注明的OpenAlex索引摘要；模拟规模有限，未给出数值优势，关于软件未来公开的表述不能视为当前可用性。
原文摘要
As a sequel to an earlier article by Gu and Qiu, this article describes and illustrates a dimensionless automatic algorithm for nonparametric probability density estimation using smoothing splines. The algorithm is designed to calculate an adaptive finite dimensional solution to the penalized likelihood problem, which was shown by Gu and Qiu to share the same asymptotic convergence rates as the nonadaptive infinite dimensional solution. The smoothing parameter is updated jointly with the estimate in a performance-oriented iteration via a cross-validation performance estimate, where the performance is measured by proxies of the symmetrized Kullback-Leibler distance between the true density and the estimate. Simulations of limited scale are conducted to examine the relative effectiveness of the automatic smoothing parameter selection procedure and to assess the practical statistical performance of the methodology in general. The method is also applied to some real data sets. The algorithm is implemented in a few Ratfor routines, which will be included in later versions of RKPACK for public access.