Estimating a density near an unknown manifold: A Bayesian nonparametric approach
未知流形邻域中的密度估计：贝叶斯非参数方法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：摘要为未知流形附近的一般非参数密度估计，没有分位数或经济分布效应等所列细分方向的直接依据。
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…
未知流形邻域中的密度估计：贝叶斯非参数方法
- 研究问题
- 当数据位于未知欧氏子流形的偏移邻域内时，如何估计密度，并使后验收缩速率适应密度正则性、流形内在维数和邻域厚度？
- 方法与思路
- 作者引入各向异性 Hölder 正则性概念，采用高斯位置—尺度混合的贝叶斯程序，并在邻域厚度不过小的条件下分析后验速率。
- 材料陈述的贡献
- 摘要称所得后验速率具有极小极大最优性并适应三类未知特征；邻域厚度可趋于零，作者还报告方法在较奇异数据上表现良好。
- 阅读关注点
- 应核对流形与密度的正则性条件、偏移邻域的定义、厚度下限及收缩距离，并查看最优性基准和实际实现证据。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；厚度下限、具体速率和实践结果未给出，不能据此保证任意近流形数据上的最优性。
原文摘要
We study the Bayesian density estimation of data living in the offset of an unknown submanifold of the Euclidean space. In this perspective, we introduce a new notion of anisotropic Hölder for the underlying density and obtain posterior rates that are minimax optimal and adaptive to the regularity of the density, to the intrinsic dimension of the manifold, and to the size of the offset, provided that the latter is not too small—while still allowed to go to zero. Our Bayesian procedure, based on location-scale mixtures of Gaussians, appears to be convenient to implement and yields good practical results, even for quite singular data.