Smoothing Spline Density Estimation: Theory
平滑样条密度估计：理论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：摘要研究通用非参数密度估计，没有明确的分位数效应、经济分布效应或其他所列应用方向。
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：理论
- 研究问题
- 在有限且可为多维的定义域上，如何构造惩罚似然密度估计，并建立估计量存在性及信息距离下的收敛速度。
- 方法与思路
- 作者假定真实对数密度属于再生核希尔伯特空间，将估计量定义为惩罚对数似然的唯一无约束极小点，并给出有限维近似。
- 材料陈述的贡献
- 摘要称，在相应条件下证明估计量存在性及对称 KL 距离下的收敛率，同时提出位于自适应有限维空间的半参数近似。
- 阅读关注点
- 应核对函数空间与惩罚项、存在唯一性和收敛率的条件，以及有限维近似误差；摘要明确表示具体算法尚待后续工作。
- 阅读边界
- 所给材料是稿件版本未注明的 OpenAlex 索引摘要；未给出具体收敛率或算法，不能据此判断计算可行性与实际估计表现。
原文摘要
In this article, a class of penalized likelihood probability density estimators is proposed and studied. The true log density is assumed to be a member of a reproducing kernel Hilbert space on a finite domain, not necessarily univariate, and the estimator is defined as the unique unconstrained minimizer of a penalized log likelihood functional in such a space. Under mild conditions, the existence of the estimator and the rate of convergence of the estimator in terms of the symmetrized Kullback-Leibler distance are established. To make the procedure applicable, a semiparametric approximation of the estimator is presented, which sits in an adaptive finite dimensional function space and hence can be computed in principle. The theory is developed in a generic setup and the proofs are largely elementary. Algorithms are yet to follow.