Fused Density Estimation: Theory and Methods
融合密度估计：理论与方法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：几何网络是密度的定义域，摘要未研究经济主体关系或干扰，也未涉及分位数与分布效应，故不强行分类。
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…
关注这篇论文的作者
融合密度估计：理论与方法
- 研究问题
- 如何在几何网络上进行非参数密度估计，同时构造可计算的估计程序，并在一元密度情形下建立明确的收敛率保证？
- 方法与思路
- 作者以总变差正则化的极大似然定义融合密度估计，将变分问题化为有限维二次规划，并比较不同优化技术。
- 材料陈述的贡献
- 摘要称，估计量在对数有界变差的一元密度类上达到平方 Hellinger 损失的极小极大收敛率，并提供计算方法与示例。
- 阅读关注点
- 应核对几何网络上的密度定义、正则化参数选择、二次规划转换，以及一元收敛率定理是否另有网络情形的保证。
- 阅读边界
- 仅据所给 Crossref 摘要；明确陈述的收敛率保证针对一元密度类，不能自动推广到所有几何网络或推断其他版本变化。
原文摘要
Summary We introduce a method for non-parametric density estimation on geometric networks. We define fused density estimators as solutions to a total variation regularized maximum likelihood density estimation problem. We provide theoretical support for fused density estimation by proving that the squared Hellinger rate of convergence for the estimator achieves the minimax bound over univariate densities of log-bounded variation. We reduce the original variational formulation to transform it into a tractable, finite dimensional quadratic program. Because random variables on geometric networks are simple generalizations of the univariate case, this method also provides a useful tool for univariate density estimation. Lastly, we apply this method and assess its performance on examples in the univariate and geometric network setting. We compare the performance of various optimization techniques to solve the problem and use these results to inform recommendations for the computation of fused density estimators.