Mixing strategies for density estimation
密度估计中的策略混合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：摘要研究通用密度估计的风险自适应理论，未明确涉及所列经济计量应用方向。
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
密度估计中的策略混合
- 研究问题
- 研究不知道哪种密度估计策略最适合真实密度时，如何混合可数个候选策略，使单一估计程序在统计风险上实现自适应。
- 方法与思路
- 作者在 Kullback–Leibler 与平方 L2 损失下建立策略混合结果，并以高维分段 Besov 类展示对平滑度与交互阶数的适应。
- 材料陈述的贡献
- 摘要称在一定条件下可构造同时适用于可数个密度类的渐近极小极大速率自适应估计，并在示例中对有限熵密度保持一致性。
- 阅读关注点
- 应核对混合权重、候选策略与损失函数的要求、风险比较如何成立，以及同时达到最优速率的密度类范围和有限熵条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出混合规则、风险界和具体条件，不能认定任意策略集合都可无代价适应。
原文摘要
General results on adaptive density estimation are obtained with respect to any countable collection of estimation strategies under Kullback-Leibler and squared $L_2$ losses. It is shown that without knowing which strategy works best for the underlying density, a single strategy can be constructed by mixing the proposed ones to be adaptive in terms of statistical risks. A consequence is that under some mild conditions, an asymptotically minimax-rate adaptive estimator exists for a given countable collection of density classes; that is, a single estimator can be constructed to be simultaneously minimax-rate optimal for all the function classes being considered. A demonstration is given for high-dimensional density estimation on $[0,1]^d$ where the constructed estimator adapts to smoothness and interaction-order over some piecewise Besov classes and is consistent for all the densities with finite entropy.