针对独立同分布样本的密度的对数凹最大似然估计器的理论性质进行了阐述，对真实的基础密度为对数凹和误差模型两种情况进行了研究，证明了对于对数凹密度序列，分布收敛意味着强类型的收敛，而且在某些指数加权的总变异规范下甚至意味着 Hellinger 距离的收敛。在主要结果中，证明了所有对数凹密度中最小化 Kullback-Leibler 分歧的对数凹密度的存在性和唯一性，并且还展示了对于这些指数加权的总变异规范收敛于这个最小化器的对数凹最大似然估计器。在正确规定模型的情况下，这证明了估计器的一种强的一致性；在误设模型的情况下，它表明估计器收敛于最接近真实密度的 Kullback-Leibler 意义下的对数凹密度。

Aug, 2009

本文介绍了 log-concave density estimation 和 traditional nonparametric smoothing techniques (例如 kernel density estimation) 之间的一些优点和最新进展。

Sep, 2017

本篇研究文章探讨了针对各种概率模型使用 Kullback-Leibler 距离的模型选择类型聚合问题。文章提出了两种聚合方法，并使用惩罚极大似然准则选择聚合权重，给出了高概率的锐利的神谕不等式和相应的下界结果。

Jan, 2016

该研究论文解决了估计多元对数凹概率密度函数的问题，并提出了一个估计器来处理此问题。

May, 2016

该研究通过 Renyi 散度的逼近和估计，研究了 s - 凹密度的逼近和估计问题，如果概率测度 Q 具有全维支撑和一阶矩，则可以通过 Koenker 和 Mizera（2010）提出的最小化散度泛函的过程，将概率测度 Q 逼近为 s - 凹密度，这个估计器与最大似然方法估计的对数凹密度的估计器密切相关，当 s 趋近于 0 时，Renyi 散度估计器收敛于对数凹密度的最大似然估计器，并且具有相似的表征。

May, 2015

使用无限维度的指数族函数族估算未知的概率密度，通过解决一个简单的有限维度线性系统，获得比非参数核密度估算器更好的结果，该估算器基于 Fisher 散度，可以在 Kullback-Leibler 散度下近似表示广泛类别的概率密度。

Dec, 2013

本文提出了一种近似线性的多元常微分方程算法，用于解决样本采集问题，特别是针对 Hamiltonian Monte Carlo 的多维 logconcave 密度函数，拥有多项式对数深度。

Dec, 2018

本文讨论了单变量对数凹分布的鲁棒适当学习问题，并提出了一种能够有效解决该问题的算法，该算法可以获得信息理论最优的样本量，并具有多样的应用。

Jun, 2016

本研究提出了一种基于欠阻尼 Langevin 扩散的 MCMC 算法来解决从对数凹分布中采样问题，并设计了一种新的模拟随机微分方程的框架，该框架不仅可以解决对数凹采样问题，还可以应用于任何涉及模拟（随机）微分方程的问题。

Sep, 2019

我们以具有未知均值的高斯分布的抽样为动机示例，通过扩散生成模型提供了在强对数凹数据分布假设下的收敛性行为的全面理论保证。我们的评估函数类使用的逼近是利普希茨连续函数，同时通过与相应的抽样估计相结合，对于与数据分布之间的 Wasserstein-2 距离等关键量感兴趣的最佳上界估计提供了显式估计。该论文还引入了基于 L2 准确评分估计假设的结果，以适用于各种随机优化器。该方法在我们的抽样算法上得到了已知的最佳收敛速度。

Nov, 2023