Methodology for Non-Parametric Deconvolution When the Error Distribution is Unknown
误差分布未知时的非参数反卷积方法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：摘要研究通用反卷积与测量误差方法，没有明确的微观分布效应或结构估计应用。
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
误差分布未知时的非参数反卷积方法
- 研究问题
- 在观测含有加性随机噪声、误差分布未知且没有重复或验证数据时，能否估计潜在信号的密度或分布并减少额外数据需求。
- 方法与思路
- 作者提出利用信号分布偏离简单规则形态的特征进行反卷积，不要求额外数据，并讨论向含测量误差的非参数回归扩展。
- 材料陈述的贡献
- 摘要称，该方法无需额外数据即可估计信号分布，实际表现常与使用额外数据的方法相当，并可扩展到其他测量误差问题。
- 阅读关注点
- 应重点核对分布非规则性的精确定义、误差分布限制及可识别条件，并查看算法、回归扩展和性能比较所覆盖的情形。
- 阅读边界
- 仅据所给 Crossref 摘要，不能推断其他版本变化。摘要未说明可识别条件和分布限制，不能理解为任意未知误差下都能一致恢复信号。
原文摘要
Summary In the non-parametric deconvolution problem, to estimate consistently a density or distribution from a sample of data contaminated by additive random noise, it is often assumed that the noise distribution is completely known or that an additional sample of replicated or validation data is available. Methods also have been suggested for estimating the scale of the error distribution, but they require somewhat restrictive smoothness assumptions on the signal distribution, which can be difficult to verify in practice. We take a completely new approach to the problem, not requiring extra data of any type. We argue that data rarely come from a simple regular distribution, and that this can be exploited to estimate the signal distributions by using a simple procedure. Our method can be extended to other problems involving errors in variables, such as non-parametric regression estimation. Its performance in practice is remarkably good, often equalling (even unexpectedly) the performance of techniques that use additional data to estimate the unknown error distribution.