Estimating Densities with Non-Linear Support by Using Fisher–Gaussian Kernels
利用 Fisher–Gaussian 核估计具有非线性支撑的密度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：摘要研究一般多元密度估计，未涉及分位数效应、经济分布效应或其他所列细分方向。
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…
利用 Fisher–Gaussian 核估计具有非线性支撑的密度
- 研究问题
- 当多维数据密度集中在弯曲子空间或流形附近时，如何改善常规高斯核难以刻画支撑曲率所带来的密度估计困难？
- 方法与思路
- 作者通过球面上的 von Mises–Fisher 分布抽样并叠加高斯噪声，构造含曲率参数的核，再用于贝叶斯混合模型与 MCMC。
- 材料陈述的贡献
- 摘要称，新核具有解析密度，便于实现贝叶斯混合估计；文章提供大支持性理论，并以模拟和真实数据展示相对竞争方法的收益。
- 阅读关注点
- 应核对曲率参数的解释、混合模型的大支持性究竟指什么，以及模拟中的维度、样本量与竞争方法设置是否支持所述收益。
- 阅读边界
- 仅依据所给 Crossref 摘要；理论条件、数据细节和改善幅度未说明，不能据此断言该核在所有弯曲支撑问题中更优。
原文摘要
Summary Current tools for multivariate density estimation struggle when the density is concentrated near a non-linear subspace or manifold. Most approaches require the choice of a kernel, with the multivariate Gaussian kernel by far the most commonly used. Although heavy-tailed and skewed extensions have been proposed, such kernels cannot capture curvature in the support of the data. This leads to poor performance unless the sample size is very large relative to the dimension of the data. The paper proposes a novel generalization of the Gaussian distribution, which includes an additional curvature parameter. We refer to the proposed class as Fisher–Gaussian kernels, since they arise by sampling from a von Mises–Fisher density on the sphere and adding Gaussian noise. The Fisher–Gaussian density has an analytic form and is amenable to straightforward implementation within Bayesian mixture models by using Markov chain Monte Carlo sampling. We provide theory on large support and illustrate gains relative to competitors in simulated and real data applications.