高维中的核密度估计
原文中文,约400字,阅读约需1分钟。发表于: 。本研究解决了高维分布的核密度估计问题,尤其是在数据点数量与维度同时增长的情境下。作者提出了在特定带宽下存在不同统计区间的新见解,并指出经典方法的局限性,发现传统假设在某些条件下失效。这些结果为高维环境下的核密度估计提供了新的思路,具有重要的应用潜力。
本文研究了存在重尾污染时,强鲁棒回归估计器的高维特性。结果显示,在存在重尾噪声时,优化调整的Huber损失与位置参数δ是次优的,需要进一步正则化以达到最佳性能。此外,对于有限二阶矩的噪声分布,岭回归是最佳的,但当协变量的二阶矩不存在时,其衰减速率可能更快。最后,该研究还可以推广到更丰富的模型和数据分布。