A MOLLIFIER APPROACH TO THE DECONVOLUTION OF PROBABILITY DENSITIES
概率密度反卷积的磨光正则化方法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：摘要研究一般概率密度反卷积与逆问题正则化，未明确涉及分位数效应或其他所列经济金融应用，故暂不细分。
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…
概率密度反卷积的磨光正则化方法
- 研究问题
- 如何稳定求解概率密度反卷积问题，并在不同卷积平滑程度及密度光滑性条件下，兼顾收敛速度与参数自适应选择？
- 方法与思路
- 作者以磨光方法正则化反卷积，将其与核反卷积、Tikhonov 和谱截断方法统一比较，并采用 Lepskiĭ 方法选择参数。
- 材料陈述的贡献
- 摘要称该方法可放宽部分核反卷积假设、改善稳定性，并在指定光滑性类别下达到最优收敛率，另提供有限样本模拟。
- 阅读关注点
- 应核对磨光函数的要求、有限与无限平滑算子的定义、最优率所用损失，以及参数自适应规则和模拟比较的具体设定。
- 阅读边界
- 仅据所给 Crossref 摘要版本，无法确定被放宽的假设、最优率表达式及稳定性比较范围，不能推断所有场景均有优势。
原文摘要
We use mollification to regularize the problem of deconvolution of random variables. This regularization method offers a unifying and generalizing framework in order to compare the benefits of various filter-type techniques like deconvolution kernels, Tikhonov, or spectral cutoff methods. In particular, the mollifier approach allows to relax some restrictive assumptions required for the deconvolution kernels, and has better stabilizing properties compared with spectral cutoff or Tikhonov. We show that this approach achieves optimal rates of convergence for both finitely and infinitely smoothing convolution operators under Besov and Sobolev smoothness assumptions on the unknown probability density. The qualification can be arbitrarily high depending on the choice of the mollifier function. We propose an adaptive choice of the regularization parameter using the Lepskiĭ method, and we provide simulations to compare the finite sample properties of our estimator with respect to the well-known regularization methods.