Maximum likelihood estimates via duality for log-convex models when cell probabilities are subject to convex constraints
单元概率受凸约束的对数凸模型：通过对偶求极大似然估计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：摘要讨论受约束多项分布的通用极大似然计算，没有明确离散选择行为模型或其他所列应用方向。
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…
关注这篇论文的作者
单元概率受凸约束的对数凸模型：通过对偶求极大似然估计
- 研究问题
- 当多项或乘积多项分布的概率向量同时受到凸与对数凸约束时，如何拟合模型并计算极大似然解？
- 方法与思路
- 作者借助对偶思想提出两步算法，求解受约束概率向量的极大似然估计，并通过若干例子展示程序。
- 材料陈述的贡献
- 摘要称给出处理两类约束的拟合方法，并证明所提两步算法保证收敛至目标解，另提供实例说明。
- 阅读关注点
- 应核对凸与对数凸约束的定义、对偶问题和两步更新规则，以及收敛保证所需条件与解的存在性。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；具体约束、收敛条件和速度未说明，收敛到优化解不等于恢复真实总体概率。
原文摘要
The purpose of this article is to derive and illustrate a method for fitting models involving both convex and log-convex constraints on the probability vector(s) of a (product) multinomial distribution. We give a two-step algorithm to obtain maximum likelihood estimates of the probability vector(s) and show that it is guaranteed to converge to the true solution. Some examples are discussed which illustrate the procedure.