On Kullback-Leibler Loss and Density Estimation
Kullback—Leibler损失与密度估计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：摘要研究一般密度估计及损失理论，未提供分布效应或经济应用的直接依据。
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
Kullback—Leibler损失与密度估计
- 研究问题
- 非参数核密度估计的Kullback—Leibler损失怎样受核与真实密度尾部影响，似然交叉验证何时能渐近最小化该损失？
- 方法与思路
- 作者分析核及未知密度的尾部对损失渐近性质的影响，讨论降低损失的核选择，并评估似然交叉验证选择带宽的表现。
- 材料陈述的贡献
- 摘要称，交叉验证通常能选对带宽量级，但未必具有正确的一阶性质；适当选择核后，可渐近最小化所述损失。
- 阅读关注点
- 核对尾部条件、损失存在性与核选择要求，区分带宽量级正确和一阶最优，并检查渐近最小化的具体定义。
- 阅读边界
- 仅据版本未注明的OpenAlex摘要；适当核的具体条件未提供，不能据此认定任意核或密度下的似然交叉验证都最优。
原文摘要
"Discrimination information," or Kullback-Leibler loss, is an appropriate measure of distance in problems of discrimination. We examine it in the context of nonparametric kernel density estimation and show that its asymptotic properties are profoundly influenced by tail properties of the kernel and of the unknown density. We suggest ways of choosing the kernel so as to reduce loss, and describe the extent to which likelihood cross-validation asymptotically minimises loss. Likelihood cross-validation generally leads to selection of a window width of the correct order of magnitude, but not necessarily to a window with the correct first-order properties. However, if the kernel is chosen appropriately, then likelihood cross-validation does result in asymptotic minimisation of Kullback-Leibler loss.