Consistent Cross-Validated Density Estimation
交叉验证密度估计的一致性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：摘要属于通用非参数密度估计与平滑选择理论，没有明确研究分位数效应或其他所列领域问题。
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
交叉验证密度估计的一致性
- 研究问题
- 交叉验证用于选择非参数密度估计的平滑参数时，在哪些核估计和直方图构造下能够保证 L1 一致性？
- 方法与思路
- 作者回顾交叉验证解决平滑参数选择问题的方式，并针对某些交叉验证核估计和直方图建立 L1 一致性结果。
- 材料陈述的贡献
- 摘要称在交叉验证可能失去一致性的背景下，论文证明了特定核估计和直方图的一致性，为平滑选择提供理论依据。
- 阅读关注点
- 应核对交叉验证准则、候选平滑参数范围、核与直方图的限制，以及所证明的一致性与已知失败情形的区别。
- 阅读边界
- 依据版本未注明的 OpenAlex 摘要；适用条件和一致性形式未展开，不能据此认定所有交叉验证密度估计均一致。
原文摘要
Application of nonparametric density estimators generally requires the specification of a "smoothing parameter." The kernel estimator, for example, is not fully defined until a window width, or scaling, for the kernels has been chosen. Many "data-driven" techniques have been suggested for the practical choice of smoothing parameter. Of these, the most widely studied is the method of cross-validation. Our own simulations, as well as those of many other investigators, indicate that cross-validated smoothing can be an extremely effective practical solution. However, many of the most basic properties of cross-validated estimators are unknown. Indeed, recent results show that cross-validated estimators can fail even to be consistent for seemingly well-behaved problems. In this paper we will review the application of cross-validation to the smoothing problem, and establish $L_1$ consistency for certain cross-validated kernels and histograms.