Efficient Estimation of Monotone Boundaries
单调边界的有效估计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：摘要讨论均匀抽样下的通用单调集合边界估计，未说明因果、面板、宏观或金融应用，分类证据不足。
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…
单调边界的有效估计
- 研究问题
- 当独立同分布样本均匀落在单调非减函数所界定的区域内时，如何在 Hausdorff 距离下有效估计整个区域？
- 方法与思路
- 作者将问题表述为单调函数下方闭区域的集合估计，以 Hausdorff 距离衡量误差，并提出相应估计量。
- 材料陈述的贡献
- 摘要称，所提出的区域估计量在渐近极小极大意义下有效；其明确关注的是集合边界误差而非一般回归预测。
- 阅读关注点
- 应核对估计量的具体构造、极小极大比较的函数类、风险定义和渐近标准，以及均匀抽样假设的作用。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未说明估计量形式、收敛速率或效率常数，不能补推这些结果。
原文摘要
Let $g: \lbrack 0, 1\rbrack \rightarrow \lbrack 0, 1\rbrack$ be a monotone nondecreasing function and let $G$ be the closure of the set $\{(x, y) \in \lbrack 0, 1\rbrack \times \lbrack 0, 1\rbrack: 0 \leq y \leq g (x)\}$. We consider the problem of estimating the set $G$ from a sample of i.i.d. observations uniformly distributed in $G$. The estimation error is measured in the Hausdorff metric. We propose the estimator which is asymptotically efficient in the minimax sense.