Factor-Assisted Density Estimation: When Ambient Dimension Enables Oracle Rates
因子辅助密度估计：当环境维度带来神谕速率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：摘要核心是高维因子模型中的潜在因子与谱估计，直接对应因子模型方向；同时研究潜在密度的非参数估计与 L1 界，涉及分布估计，故归入分位数与分布效应。
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
因子辅助密度估计：当环境维度带来神谕速率
- 研究问题
- 研究问题：在高维因子模型中，当潜在因子维度固定且其密度未知光滑时，能否利用观测坐标的高环境维度，对不可观测的低维潜在密度进行非参数估计并达到神谕速率。
- 方法与思路
- 方法思路：作者提出 FADE，一种非迭代程序，对潜在得分的谱估计量施加核密度估计；由于得分代理量相依且不服从潜在密度，标准核密度论证不适用，摘要称通过逐行展开把误差分解为条件中心化高斯扰动与一致可控余项。
- 材料陈述的贡献
- 摘要所述贡献：证明 FADE 在环境维度足够高时达到神谕速率，并给出极小极大下界，将普通非参数困难与高斯反卷积障碍区分开；上下界共同确立特定高维情形下的速率最优性，并给出诱导观测密度的 L1 上下界。
- 阅读关注点
- 阅读时应核对：逐行展开与余项一致控制的假设条件、神谕速率成立所需的环境维度与因子强度条件、下界中高斯反卷积障碍的构造，以及 L1 界如何区分潜在分布不确定性与参数数目增长的代价。
- 阅读边界
- 摘要信息的边界：仅凭摘要无法判断证明细节、假设可验证性与有限样本表现；该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收或结论已获独立确认。
原文摘要
We study density estimation in the high-dimensional factor model, whose fixed-dimensional latent factors have an unknown smooth density. We propose factor-assisted density estimation (FADE), a non-iterative procedure that applies kernel density estimation to spectral estimates of the latent scores. The score proxies are dependent and do not follow the latent density, so standard kernel-density arguments do not apply. A refined rowwise expansion separates error into a conditionally centered Gaussian perturbation and a uniformly controlled remainder. We show that FADE achieves the oracle rate in sufficiently high ambient dimension and prove a minimax lower bound separating ordinary nonparametric difficulty from a Gaussian deconvolution obstruction. Together, the upper and lower bounds establish rate optimality of FADE in specified high-dimensional regimes. We also derive $L^1$ upper and lower bounds for the induced observation density, distinguishing latent-distribution uncertainty from the cost of estimating a growing number of parameters. These results formalize a blessing of ambient dimension: sufficiently many observed coordinates can make a simple spectral reduction statistically lossless even for the nonparametric task of recovering an unobserved low-dimensional density.