Nonparametric estimation via partial derivatives
利用偏导数的非参数估计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：摘要研究利用导数信息的一般非参数函数估计，未明确对应结构估计、因果效应或其他所列领域细分。
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
利用偏导数的非参数估计
- 研究问题
- 当可观测或可估计函数的偏导数时，如何利用这些额外信息缓解高维非参数估计的收敛困难并提高估计速率？
- 方法与思路
- 作者在张量积空间中扩展平滑样条方差分析框架，将部分协变量的梯度信息纳入函数估计，并提出计算算法。
- 材料陈述的贡献
- 摘要称，梯度信息可使全交互模型的最优速率对应较低交互维度的模型，加性模型可达参数速率，并提供模拟和真实数据展示。
- 阅读关注点
- 应核对导数观测与估计误差的设定、函数空间和损失定义，以及梯度信息如何改变交互复杂度；具体速率符号需查阅原文。
- 阅读边界
- 仅据Crossref摘要解读；加性模型速率写作“n”，缺少清晰的损失及幂次说明，需查阅原PDF，不能重构公式或推断无条件改善。
原文摘要
Abstract Traditional nonparametric estimation methods often lead to a slow convergence rate in large dimensions and require unrealistically large dataset sizes for reliable conclusions. We develop an approach based on partial derivatives, either observed or estimated, to effectively estimate the function at near-parametric convergence rates. This novel approach and computational algorithm could lead to methods useful to practitioners in many areas of science and engineering. Our theoretical results reveal behaviour universal to this class of nonparametric estimation problems. We explore a general setting involving tensor product spaces and build upon the smoothing spline analysis of variance framework. For d-dimensional models under full interaction, the optimal rates with gradient information on p covariates are identical to those for the (d−p)-interaction models without gradients and, therefore, the models are immune to the curse of interaction. For additive models, the optimal rates using gradient information are n, thus achieving the parametric rate. We demonstrate aspects of the theoretical results through synthetic and real data applications.