Estimating a probability mass function with unknown labels
标签未知时概率质量函数的估计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：摘要涉及物种抽样、概率质量函数及法医应用，未明确对应给定经济计量细分方向。
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…
标签未知时概率质量函数的估计
- 研究问题
- 在物种抽样且标签未知的情形下，如何非参数估计底层概率质量函数，并建立可计算估计量的一致性与收敛性质？
- 方法与思路
- 作者研究 high profile 非参数最大似然估计的扩展模型及筛估计，采用随机逼近 EM 算法计算，并提出有界保序回归算法。
- 材料陈述的贡献
- 摘要称，扩展估计量具有强一致性及收敛速率，筛估计有类似一致性结果；还给出计算算法并证明有界保序回归算法收敛。
- 阅读关注点
- 核对未知标签下的估计目标、扩展模型与筛空间的区别，以及一致性度量、筛规模选择和随机逼近算法的收敛条件。
- 阅读边界
- 仅据所给 OpenAlex 索引摘要，稿件版本未注明；具体速率与计算条件未说明，扩展模型结论不能自动用于原始估计量。
原文摘要
In the context of a species sampling problem, we discuss a nonparametric maximum likelihood estimator for the underlying probability mass function. The estimator is known in the computer science literature as the high profile estimator. We prove strong consistency and derive the rates of convergence, for an extended model version of the estimator. We also study a sieved estimator for which similar consistency results are derived. Numerical computation of the sieved estimator is of great interest for practical problems, such as forensic DNA analysis, and we present a computational algorithm based on the stochastic approximation of the expectation maximisation algorithm. As an interesting byproduct of the numerical analyses, we introduce an algorithm for bounded isotonic regression for which we also prove convergence.