CINDES: Classification induced neural density estimator and simulator
CINDES：分类诱导的神经密度估计与模拟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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要涉及通用密度估计与生成采样，没有明确的分位数、分布效应或其他所列经济学目标。
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…
CINDES：分类诱导的神经密度估计与模拟
- 研究问题
- 如何构造易于实现的神经密度估计量，并在未知密度具有低维复合结构时自动获得更快的估计与生成采样收敛速度？
- 方法与思路
- 作者提出无需预知结构的神经密度估计方法，并将其接入生成采样流程，重点讨论与基于得分的扩散模型相结合的理论性质。
- 材料陈述的贡献
- 摘要称估计量可自适应利用低维复合结构，且这种适应性延伸至扩散生成采样；模拟和真实数据应用用于检验实际表现。
- 阅读关注点
- 应核对分类如何诱导合法密度、非负与单位质量如何保证，以及低维结构条件、误差度量和采样步骤对总误差的贡献。
- 阅读边界
- 依据 arXiv 预印本摘要，不能确认同行评审或期刊接收；摘要未说明具体损失、收敛速率及实验数据，无法判断一般场景的优势。
原文摘要
Neural network-based methods for (un)conditional density estimation have recently gained substantial attention, as various neural density estimators have outperformed classical approaches in real-data experiments. Despite these empirical successes, implementation can be challenging due to the need to ensure non-negativity and unit-mass constraints, and theoretical understanding remains limited. In particular, it is unclear whether such estimators can adaptively achieve faster convergence rates when the underlying density exhibits a low-dimensional structure. This paper addresses these gaps by proposing a structure-agnostic neural density estimator that is (i) straightforward to implement and (ii) provably adaptive, attaining faster rates when the true density admits a low-dimensional composition structure. Another key contribution of our work is to show that the proposed estimator integrates naturally into generative sampling pipelines, most notably score-based diffusion models, where it achieves provably faster convergence when the underlying density is structured. We validate its performance through extensive simulations and a real-data application.