Model selection in nonparametric regression
非参数回归中的模型选择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：摘要讨论通用非参数回归模型选择，未说明任何所列领域的具体数据结构或估计目标。
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
非参数回归中的模型选择
- 研究问题
- 在非参数回归中，如何借助带惩罚的数据分割进行模型选择，并为所得估计建立有限样本保证及函数类适应性？
- 方法与思路
- 作者研究一种带惩罚的数据分割机制，在摘要所称的较温和条件下推导有限样本界，并分析估计对多类函数的适应能力。
- 材料陈述的贡献
- 摘要称获得有限样本界，且所得估计对较大范围的函数类具有适应性；摘要未说明界的形式、函数类或具体收敛速率。
- 阅读关注点
- 应核对样本分割比例、候选模型与惩罚项、误差度量和有限样本条件，以及适应性针对哪些函数类和基准成立。
- 阅读边界
- 所据为稿件版本未注明的 OpenAlex 索引摘要且内容简短；算法、条件与界的表达均未提供，不能判断其最优性或实际表现。
原文摘要
Model selection using a penalized data-splitting device is studied in the context of nonparametric regression. Finite sample bounds under mild conditions are obtained. The resulting estimates are adaptive for large classes of functions.