Using specially designed exponential families for density estimation
利用专门构造的指数族进行密度估计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：摘要属于一般密度估计方法，未提供经济分布效应或其他所列领域的直接证据。
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
利用专门构造的指数族进行密度估计
- 研究问题
- 如何结合参数族中的极大似然拟合与非参数核密度估计，为随机向量样本所对应的概率密度构造估计方法？
- 方法与思路
- 作者以核密度估计为基础构造经过该估计的指数族，把参数拟合与非参数方法结合，并以泊松回归承担重要计算工作。
- 材料陈述的贡献
- 摘要提出一种连接核估计与指数族拟合的密度估计思路，明确指出专门构造的指数族及泊松回归在计算中的作用。
- 阅读关注点
- 应核对指数族如何由核估计构造、基函数与带宽的选择、泊松回归的计算对应关系，以及理论性质和比较证据。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出收敛率、风险界或性能比较，不能认定这种结合必然改善密度估计。
原文摘要
We wish to estimate the probability density $g(y)$ that produced an observed random sample of vectors $y_1, y_2, \dots, y_n$. Estimates of $g(y)$ are traditionally constructed in two quite different ways: by maximum likelihood fitting within some parametric family such as the normal or by nonparametric methods such as kernel density estimation. These two methods can be combined by putting an exponential family "through" a kernel estimator. These are the specially designed exponential families mentioned in the title. Poisson regression methods play a major role in calculations concerning such families.