A Comparison of Cross-Validation Techniques in Density Estimation
密度估计中交叉验证方法的比较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：摘要讨论通用非参数密度估计，未涉及分位数、经济分布效应或其他所列细分应用。
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
密度估计中交叉验证方法的比较
- 研究问题
- 在非参数多元密度估计中，如何比较两类交叉验证的平滑参数选择方法，并用它们比较不同的密度估计器？
- 方法与思路
- 作者针对 delta 序列估计器建立比较定理，考察 Kullback–Leibler 与最小二乘交叉验证，涵盖核、级数和直方图等方法。
- 材料陈述的贡献
- 摘要称相关定理既允许比较两类平滑参数选择方法，也说明这两类交叉验证可用于比较不同形式的密度估计器。
- 阅读关注点
- 应核对两类准则分别衡量的误差、定理的分布与平滑条件，以及跨估计器比较结论的含义和适用范围。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未列出定理条件或比较结果，不能判断哪类交叉验证普遍更优。
原文摘要
In the setting of nonparametric multivariate density estimation, theorems are established which allow a comparison of the Kullback-Leibler and the least-squares cross-validation methods of smoothing parameter selection. The family of delta sequence estimators (including kernel, orthogonal series, histogram and histospline estimators) is considered. These theorems also show that either type of cross validation can be used to compare different estimators (e.g., kernel versus orthogonal series).