The augmented van Trees inequality
增广 van Trees 不等式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：摘要讨论极小化极大下界与 van Trees 不等式等理论计量内容，未涉及所给微观、宏观或金融领域细分，故不选择任何领域。
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
增广 van Trees 不等式
- 研究问题
- 摘要称，本文研究如何改进经典 van Trees 不等式，以获得更紧的极小化极大平方 Bayes 风险下界，并放宽对先验密度在支撑边界处必须消失的要求。
- 方法与思路
- 作者提出一种增广形式的 van Trees 不等式，摘要称其给出比经典不等式一致更紧的下界，并可用于非参数估计量的极小化极大下界初等证明，还称可推广到非高斯模型、非平方损失与非正则模型。
- 材料陈述的贡献
- 摘要称该增广不等式在若干非参数极小化极大下界上给出比 Le Cam 实验收敛理论与经典 van Trees 不等式更尖锐的常数，某些情形可得精确常数；例如正态误差回归中单变量 Lipschitz 导数情形得到相差常数因子 1.37 的结果，高维 Hölder 光滑度 β∈(0,2] 情形得到精确常数。
- 阅读关注点
- 应核对增广不等式的具体形式与成立条件、先验密度边界假设如何被放宽、与经典 van Trees 及 Le Cam 方法的比较是否严格，以及 1.37 因子与精确常数所对应的模型设定和证明细节。
- 阅读边界
- 仅凭摘要无法判断证明是否正确、条件是否可验证、常数是否最优，也无法确认与既有文献的完整关系；摘要未说明有限样本性质与具体应用范围。该文为 arXiv 预印本，未经同行评审，不能据此声称已被期刊接收。
原文摘要
We introduce an augmented form of the van Trees inequality, that yields uniformly tighter lower bounds on the minimax squared Bayes risk of estimators compared with the classical van Trees inequality. Our augmented inequality also accommodates prior distributions whose densities need not vanish at the boundaries of their supports. We demonstrate how this refinement can be utilised for elementary proofs of a number of minimax lower bounds for nonparametric estimands, that also often attain sharper constants than those obtained by the alternative Le Cam convergence of experiments theory and the classical van Trees inequality, and in some cases obtain exact constants. As an example, our augmented van Trees inequality can be used to obtain the asymptotic minimax pointwise mean squared error when estimating the regression function in the model with normal errors: when the regression function is univariate and differentiable with Lipschitz derivative we obtain this quantity up to a constant factor of $1.37$; and in the high dimensional regime with a Hölder smooth regression function of smoothness $β\in(0,2]$ we obtain exact constants. Both these results do not follow from an application of the classical van Trees inequality. The flexibility of our augmented van Trees inequality accommodates lower bounds for models beyond Gaussianity, loss functions beyond the squared error loss, and we are also able to incorporate this augmentation into generalised versions of the van Trees inequality for irregular models.