本文研究了在给定独立同分布样本的情况下,如何估计未知离散分布,重点在于最小化真实分布与算法估计之间的KL散度。我们提出了实例最优的算法,能够在有无差分隐私约束的情况下实现最优性能,并利用Good-Turing估计器的变体建立上界。
本文研究了Wasserstein距离下的差分隐私密度估计问题,设计了实例最优算法,分析了在R和R²上的估计率,并证明这些率是均匀可达的。结果扩展到任意度量空间,实现了离散分布的实例最优私有学习。
本研究在通信受限条件下,通过自适应细化机制解决离散分布估计的$ ext{ell}^p$损失问题。该机制先生成粗略估计,再逐步精细化,提高估计效率,并在不同参数范围内实现最优速率,具有实际应用价值。
本研究使用逼近理论法对离散分布P进行n个独立同分布样本的香农熵估计,实现了在估计熵的最小二乘率方面的极致。通过自适应估计框架,在分布P的嵌套子序列上实现了最小二乘率的估计,证明了在样本n的情况下是最优的。
完成下面两步后,将自动完成登录并继续当前操作。