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

本文研究非参数统计学中估计分歧的问题，提出了一种 Renyi-alpha 分歧的估计算法，并给出了一个关于该算法的指数不等式一致收敛边界，并通过数值实验验证了该算法。

Mar, 2016

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

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

本文提出了一种用于估计对数凹密度函数的最大似然估计方法，该方法利用了计算几何和 Shor 的 r 算法，具有自动化和无需参数选择等优点，并证明了其表现优于基于核的方法，可用于有限混合物拟合。

Apr, 2008

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

本文讨论了从定义在 R^p 上具有平滑和对数凹密度的分布中进行采样的问题，并通过考虑 Langevin Monte Carlo 方法及其变体对目标分布进行近似采样的误差来建立非渐近保证的界限，以及通过各种实验证明了建立保证的有效性。

Dec, 2014

本文提出了一种基于非渐进变分表征的凸经验风险优化方法，用于估计 $f$- 散度和两个概率分布的似然比，通过解决标准凸规划求解，可以实现简单的实现，可在某些情况下达到最优最小风险速率。

Sep, 2008

提出了新的图论解释下的直接估计方法，用于估计 Renyi 和 f-divergence 的度量。通过对 Y 中 k-NN 方案点和 X 中点数之间的平均功率进行估计，可以获得两个密度之间的 Renyi divergence 估计值，并且这种方法可以用于估计 f-divergence 度量。通过使用加权合成估计技术，该方法可以用于具有连续和有界导数的密度函数的估计，其能够获得参数 MSE 率 O (1/N)。

Feb, 2017

将指数积分和相对熵之间的对偶性推广到涉及 Renyi 离散度的指数积分的变分公式。该公式表征了由尾部行为决定的风险敏感功能和相关量的依赖于底层分布扰动的程度，以 Renyi 离散度为基础。作为应用，考虑当模型的某些方面未完全知道时的不确定性量化问题，以及使用它们来限定难以处理的模型的尾部特性。

Oct, 2013