Spatial aggregation of local likelihood estimates with applications to classification
局部似然估计的空间聚合及分类应用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：摘要研究通用非参数估计与分类；二元响应未形成离散选择建模证据，空间聚合也未涉及网络干扰。
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
局部似然估计的空间聚合及分类应用
- 研究问题
- 如何聚合一组局部常数似然估计，使空间自适应估计的逐点风险接近候选族中最小风险，并用于分类问题？
- 方法与思路
- 作者聚合多个局部似然弱估计，并通过简单参数模型下的预定行为选择程序参数，适用于高斯、泊松和二元响应模型。
- 材料陈述的贡献
- 摘要称，聚合估计具有最优性结果，其 oracle 风险在对数乘子范围内接近候选族最佳风险，并提供模拟和真实分类例子。
- 阅读关注点
- 应核对候选局部估计族、聚合规则、风险定义与对数损失，以及参数校准条件和分类数值研究的比较设置。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；摘要未说明理论条件、对数乘子大小或具体数值结果，不能据此断言普遍优于其他分类器。
原文摘要
This paper presents a new method for spatially adaptive local (constant) likelihood estimation which applies to a broad class of nonparametric models, including the Gaussian, Poisson and binary response models. The main idea of the method is, given a sequence of local likelihood estimates (“weak” estimates), to construct a new aggregated estimate whose pointwise risk is of order of the smallest risk among all “weak” estimates. We also propose a new approach toward selecting the parameters of the procedure by providing the prescribed behavior of the resulting estimate in the simple parametric situation. We establish a number of important theoretical results concerning the optimality of the aggregated estimate. In particular, our “oracle” result claims that its risk is, up to some logarithmic multiplier, equal to the smallest risk for the given family of estimates. The performance of the procedure is illustrated by application to the classification problem. A numerical study demonstrates its reasonable performance in simulated and real-life examples.