Breaking the Curse with BAND: Nonparametric Distribution Estimation in High Dimensions
用 BAND 缓解维度灾难：高维非参数分布估计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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要直接针对高维时间序列并评估置信区域预测；一般联合分布估计不等同于分位数或分布效应研究。
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…
用 BAND 缓解维度灾难：高维非参数分布估计
- 研究问题
- 在含混合变量类型的高维时间序列中，能否利用稀疏依赖结构改善联合分布估计的维度灾难，并支持采样与预测置信区域？
- 方法与思路
- 作者采用稀疏贝叶斯网络，将条件概率交由利用稀疏性的条件均值方法估计，构成 BAND 分布回归估计器。
- 材料陈述的贡献
- 摘要称，维度可随样本量多项式增长，估计具有多项式总变差收敛速率；采样和置信区域预测的经验比较显示其具有竞争力。
- 阅读关注点
- 应核对网络结构如何获得、稀疏程度与时间依赖条件，并检查总变差速率的适用模型和预测置信区域的校准评估。
- 阅读边界
- 这是预印本，同行评审及期刊接收未核实。速率改善利用了稀疏结构，不能解读为无条件突破维度灾难；具体速率摘要未说明。
原文摘要
Minimax-optimal rates for multivariate distribution estimation are known to suffer from the curse of dimensionality. We propose a sparse Bayesian network approach in which each conditional probability is estimated using sparsity-aware conditional mean methods. The resulting estimator, \textit{BAyesian Network Distribution regression} (BAND), handles mixed data types in high-dimensional time series and achieves polynomial total variation convergence rates while allowing the feature dimension to grow polynomially with the sample size. These rates are substantially faster than the classical optimal rates for multivariate histogram density estimators that lack sparsity. Empirical evaluations show that BAND performs competitively for data sampling and confidence region forecasting against a range of state-of-the-art benchmarks.