On the nonparametric maximum likelihood estimator for Gaussian location mixture densities with application to Gaussian denoising
高斯位置混合密度的非参数极大似然估计及其高斯去噪应用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：摘要研究一般混合密度估计与高斯去噪，未明确涉及所列经济或金融细分方向。
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…
关注这篇论文的作者
高斯位置混合密度的非参数极大似然估计及其高斯去噪应用
- 研究问题
- 在独立的多维观测下，如何估计高斯位置混合密度，并在未知混合成分或聚类数量时构造准确的去噪估计？
- 方法与思路
- 作者以凸优化构造非参数极大似然密度估计，研究有限样本的 Hellinger 误差，并据此构造经验贝叶斯去噪估计。
- 材料陈述的贡献
- 摘要称，离散高斯混合下密度估计达到相差对数因子的近参数风险；聚类去噪也可达到相差对数因子的近最优表现。
- 阅读关注点
- 应核对风险界对维度、混合分布及聚类结构的具体要求，明确对数因子、最优性基准及经验贝叶斯误差的衡量方式。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 摘要；具体条件、风险界常数与计算细节未说明，不能推断刊本变化。
原文摘要
We study the nonparametric maximum likelihood estimator (NPMLE) for estimating Gaussian location mixture densities in $d$-dimensions from independent observations. Unlike usual likelihood-based methods for fitting mixtures, NPMLEs are based on convex optimization. We prove finite sample results on the Hellinger accuracy of every NPMLE. Our results imply, in particular, that every NPMLE achieves near parametric risk (up to logarithmic multiplicative factors) when the true density is a discrete Gaussian mixture without any prior information on the number of mixture components. NPMLEs can naturally be used to yield empirical Bayes estimates of the oracle Bayes estimator in the Gaussian denoising problem. We prove bounds for the accuracy of the empirical Bayes estimate as an approximation to the oracle Bayes estimator. Here our results imply that the empirical Bayes estimator performs at nearly the optimal level (up to logarithmic factors) for denoising in clustering situations without any prior knowledge of the number of clusters.