Adaptive estimation of the L2-norm of a probability density and related topics II. Upper bounds via the oracle approach
概率密度 L2 范数的自适应估计及相关问题（二）：基于预言方法的上界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：摘要研究一般密度泛函的自适应估计与风险界，未涉及经济学分布效应或其他所列细分方向，故保留空分类。
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…
概率密度 L2 范数的自适应估计及相关问题（二）：基于预言方法的上界
- 研究问题
- 对独立观测下、属于各向同性或各向异性 Nikolskii 函数类且上界未知的密度，如何自适应估计其 L2 范数并匹配风险下界？
- 方法与思路
- 作者从核估计量族中进行数据驱动选择，以预言不等式控制风险，并使用新建立的二阶解耦 U 统计量集中不等式。
- 材料陈述的贡献
- 摘要称，本部分给出匹配前一部分若干自适应风险下界的上界及估计程序；结果由一个预言不等式导出，并提供新的集中界。
- 阅读关注点
- 应核对密度类与风险的定义、数据驱动选择规则，以及本部分上界与前一部分下界逐一匹配的参数范围和速率。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；这是项目第二部分，最优自适应估计不存在的结论归于前作，具体下界与条件未提供。
原文摘要
This is the second part of the research project initiated in Cleanthous, Georgiadis and Lepski (2024a). We deal with the problem of the adaptive estimation of the L2-norm of a probability density on Rd, d≥1, from independent observations. The unknown density is assumed to be uniformly bounded by unknown constant and to belong to the union of balls in the isotropic/anisotropic Nikolskii’s spaces. In Cleanthous, Georgiadis and Lepski (2024a), we have proved that the optimally adaptive estimators do no exist in the considered problem and provided with several lower bounds for the adaptive risk. In this part, we show that these bounds are tight and present the adaptive estimator which is obtained by a data-driven selection from a family of kernel-based estimators. The proposed estimation procedure as well as the computation of its risk are heavily based on new concentration inequalities for decoupled U-statistics of order two established in Section 4. It is also worth noting that all our results are derived from the unique oracle inequality which may be of independent interest.