On deconvolution of distribution functions
分布函数的反卷积估计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：摘要直接研究测量误差下的分布函数估计，属于分布方法的相关方向。
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…
分布函数的反卷积估计
- 研究问题
- 观测受到测量误差污染时，如何非参数估计潜在连续分布函数，并确定其极小极大难度及适应未知光滑程度的方法？
- 方法与思路
- 作者在目标密度属于 Sobolev 类、误差密度普通光滑的设定下，直接反演经验特征函数，并通过凸优化构造仿射估计量。
- 材料陈述的贡献
- 摘要称，文章建立速率最优的分布函数估计量，给出极小极大仿射估计及其适应版本，并提供展示实践表现的数值结果。
- 阅读关注点
- 应核对测量误差模型及误差分布所需信息、光滑性类别、反演正则化方式，以及仿射优化和适应程序的实施细节。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；误差分布是否已知、具体收敛速率和数值表现未展开，结论不能外推至所有误差类型。
原文摘要
The subject of this paper is the problem of nonparametric estimation of a continuous distribution function from observations with measurement errors. We study minimax complexity of this problem when unknown distribution has a density belonging to the Sobolev class, and the error density is ordinary smooth. We develop rate optimal estimators based on direct inversion of empirical characteristic function. We also derive minimax affine estimators of the distribution function which are given by an explicit convex optimization problem. Adaptive versions of these estimators are proposed, and some numerical results demonstrating good practical behavior of the developed procedures are presented.