Nonparametric estimators over metric graphs
度量图上的非参数估计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：摘要中的图作为空间支撑，未明确涉及经济网络关系、网络干扰或网络形成推断。
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…
度量图上的非参数估计
- 研究问题
- 当数据的空间支撑是由边与节点组成的度量图时，如何建立适用的函数空间及非参数回归、密度估计理论？
- 方法与思路
- 作者发展度量图上的函数空间理论，建立 Poincaré 型不等式，并将惩罚似然方法推广至图支撑上的回归和密度估计。
- 材料陈述的贡献
- 摘要称，理论保证相关估计问题的适定性与估计量一致性，并展示所提出估计量与现有方法的性能比较。
- 阅读关注点
- 应核对图的几何与节点边界条件、惩罚项和函数空间定义，以及适定性、一致性对采样设计和图结构的要求。
- 阅读边界
- 仅据所给 Crossref 摘要，无法判断具体图类、误差速率或性能比较的适用范围；不推断其他版本变化。
原文摘要
Abstract This work discusses a theory of functional spaces over metric graphs that permits the definition of penalized likelihood methods for data observed over spatial supports that are graphs. Within the considered mathematical framework, we recover classical results in functional analysis, such as a Poincaré-type inequality. This, in turn, enables us to uplift, to the present setting, the theory of some fundamental penalized likelihood methods. Specifically, we present two important classes of statistical models: nonparametric regression and nonparametric density estimation, here defined for data observed over graphs. We derive theoretical results regarding the well-posedness of the associated estimation problems and the consistency of the estimators. We also demonstrate the performance of the defined estimators with respect to state-of-the-art alternatives.