From ɛ-entropy to KL-entropy: Analysis of minimum information complexity density estimation
从 ε 熵到 KL 熵：最小信息复杂度密度估计分析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：文本研究密度估计的通用信息论界，未明确涉及经济学分布效应或其他给定细分。
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…
关注这篇论文的作者
从 ε 熵到 KL 熵：最小信息复杂度密度估计分析
- 研究问题
- 如何把 ε 熵推广为基于 KL 散度的复杂度度量，从而统一分析确定性和随机化密度估计方法的统计复杂度？
- 方法与思路
- 作者构造基于 KL 散度的复杂度度量并建立一般信息论不等式，将其用于最小描述长度和贝叶斯后验的收敛分析。
- 材料陈述的贡献
- 摘要称，新不等式可改进部分经典收敛结果，并导出此前方法无法获得的清晰有限样本收敛界，但未列出具体界。
- 阅读关注点
- 应核对随机化估计器的定义、复杂度度量与风险之间的关系，以及有限样本界的条件和相对经典结果的改进范围。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。摘要未给出不等式、常数或适用模型，不能判断改进幅度及计算可行性。
原文摘要
We consider an extension of ɛ-entropy to a KL-divergence based complexity measure for randomized density estimation methods. Based on this extension, we develop a general information-theoretical inequality that measures the statistical complexity of some deterministic and randomized density estimators. Consequences of the new inequality will be presented. In particular, we show that this technique can lead to improvements of some classical results concerning the convergence of minimum description length and Bayesian posterior distributions. Moreover, we are able to derive clean finite-sample convergence bounds that are not obtainable using previous approaches.