Approximation of Density Functions by Sequences of Exponential Families
利用指数族序列逼近概率密度函数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：摘要属于通用非参数密度估计，未明确涉及分位数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
利用指数族序列逼近概率密度函数
- 研究问题
- 如何通过逐步扩展的正规指数族估计未知概率密度，并在对数密度具备光滑性时控制相对熵误差与收敛速率？
- 方法与思路
- 作者在指数族序列中进行最大似然估计，使用多项式、样条和三角级数逼近对数密度，并联系经验约束下的熵最大化。
- 材料陈述的贡献
- 摘要称论文给出真实密度与估计密度之间的相对熵界，并对具有平方可积导数的对数密度建立收敛速率。
- 阅读关注点
- 核对密度支撑、导数阶数、基函数维度增长与估计存在性，并检查逼近误差和随机误差如何进入相对熵界。
- 阅读边界
- 版本未注明的索引摘要未给出导数阶数、速率公式或选阶规则；不能据此声称对任意密度均有相同收敛保证。
原文摘要
Probability density functions are estimated by the method of maximum likelihood in sequences of regular exponential families. This method is also familiar as entropy maximization subject to empirical constraints. The approximating families of log-densities that we consider are polynomials, splines and trigonometric series. Bounds on the relative entropy (Kullback-Leibler distance) between the true density and the estimator are obtained and rates of convergence are established for log-density functions assumed to have square integrable derivatives.