On stochastic complexity and nonparametric density estimation
随机复杂度与非参数密度估计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：摘要研究一般非参数密度估计与平滑选择，未涉及经济分布效应或所列其他应用方向。
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
随机复杂度与非参数密度估计
- 研究问题
- 如何利用随机复杂度、描述长度和模型选择，为非参数密度估计选择平滑参数，并理解不同损失标准下的表现？
- 方法与思路
- 作者在直方图单元概率采用均匀先验时推导随机复杂度的精确公式，以最小随机复杂度选择平滑参数。
- 材料陈述的贡献
- 摘要称，两类准则在某些条件下渐近等价；所得平滑对上确界距离近乎最优，对有限阶距离则略有过度平滑。
- 阅读关注点
- 应核对均匀先验的定义、直方图公式、渐近等价的具体条件，以及不同距离标准下近乎最优的准确含义。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体条件、收敛结果和证明未提供，不能将所述最优性扩展至任意密度估计。
原文摘要
We use the concepts of stochastic complexity, description length, and model selection to develop data-based methods for choosing smoothing parameters in nonparametric density estimation. In the case of histogram estimators, we derive a simple, exact formula for stochastic complexity when the prior distribution of cell probabilities is uniform over the class of all possible choices. The formula depends only on the data and the smoothing parameter, which is readily chosen according to the criterion of minimum stochastic complexity. Approaches based on stochastic complexity and description length are shown to be asymptotically equivalent in certain circumstances. They produce a degree of smoothing which is almost optimal from the viewpoint of minimizing L∞, or supremum, distance, but which smooths a little more than is optimal in the sense of minimizing Lr distance for any finite value of r.