Statistical Estimation and Optimal Recovery
统计估计与最优恢复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：摘要讨论一般线性泛函估计、极小极大风险与最优恢复，未提供足以归入所列应用领域细分的证据。
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
统计估计与最优恢复
- 研究问题
- 在间接观测受到高斯随机噪声污染时，如何估计未知对象的线性泛函，并刻画极小极大风险及问题本身的估计难度？
- 方法与思路
- 作者针对凸先验类给出多种损失下的极小极大线性风险公式，并通过证明联系统计中的仿射估计与最优恢复算法。
- 材料陈述的贡献
- 摘要称公式不要求凸先验类对称，若干损失下仿射规则接近包括非线性规则的极小极大水平，连续性模可衡量估计难度。
- 阅读关注点
- 应核对凸先验类、观测算子和损失函数的具体条件，区分线性与仿射规则，并查看风险接近程度及连续性模的严格定义。
- 阅读边界
- 仅据稿件版本未注明的 OpenAlex 索引摘要；无法判断各风险公式、接近界的适用条件或证明，也不推断刊本变化。
原文摘要
New formulas are given for the minimax linear risk in estimating a linear functional of an unknown object from indirect data contaminated with random Gaussian noise. The formulas cover a variety of loss functions and do not require the symmetry of the convex a priori class. It is shown that affine minimax rules are within a few percent of minimax even among nonlinear rules, for a variety of loss functions. It is also shown that difficulty of estimation is measured by the modulus of continuity of the functional to be estimated. The method of proof exposes a correspondence between minimax affine estimates in the statistical estimation problem and optimal algorithms in the theory of optimal recovery.