本文探讨通过从一组分布中选择一种密度估计来最小化到未知分布的L1距离的问题，并分析了两种算法：Scheffe锦标赛赢家和最小距离估计。研究者提出了两种新算法来解决计算密度估计的问题，并探讨了随机算法的应用。

Dec, 2007

考虑具有参数密度的在线密度估计，使用一定的离散度来推导和分析算法，证明在线算法的相对损失界限，并设计相应算法以获得最佳相对损失界限。

Jan, 2013

本文提出了一种新的密度估计方法——深度密度模型（DDM），能够快速计算测试数据的归一化密度、生成样本并描述数据的联合熵。

Feb, 2013

提出了一种高度有效的算法，该算法能够学习近似于分段多项式密度函数的单变量概率分布，并应用于密度估计问题，涉及混合对数凹分布、混合$t$峰态分布、混合单峰风险率分布、混合二项式泊松分布、混合高斯分布和混合$k$单调密度等问题。

May, 2013

本文提出了一种高效的基于变宽直方图的密度估计算法，通过使用该算法对来自 $p$ 的独立同分布采样，可以输出一个分段常数概率密度函数作为假设分布，并且在样本规模和运行时间上达到最优，其中总变差距离满足一定的误差限制。

Nov, 2014

设计了一种新的快速算法，用于对分段多项式函数进行密度估计，该算法具有采样最优和近线性时间的估计能力，并且在实践中表现良好。

Jun, 2015

本文介紹了一些新的高維度非參數密度估計算法，探討其在無監督學習中的應用，特別是聚類問題，並且提出了一些和高維數據分析相關的研究方向。

Mar, 2019

本文提出了一种基于机器学习的辅助估计算法来解决大型数据集中不同元素数量的估计问题，并证明了当预测器正确的逼近因子为常数时，可以显著降低样本复杂度。

Jun, 2021

该论文提出了一种基于DRE-∞的、通过蒙特卡罗方法的数值计算技术，从而能够更准确地估算高维度数据中的概率分布之间的密度比率，并为复杂的高维数据集上的任务（如相互信息估计和能量建模）提供了更好的性能。

Nov, 2021

使用Wasserstein距离对分布进行差分私密密度估计，并设计了可以适应简单实例的实例最优算法，对于特殊情况下的离散分布，结果还导致了TV距离下的实例最优私密学习。

Jun, 2024