kernel density estimation (KDE) is integral to a range of generative and
discriminative tasks in machine learning. Drawing upon tools from the
multidimensional calculus of variations, we derive an optimal weight
本篇论文是一篇介绍核密度估计及其最近在置信区间，几何 / 拓扑特征方面的新进展的入门教程。论文从基本的 KDE 属性开始，介绍了收敛速率、密度导数估计和带宽选择等内容，接着介绍了常见的置信区间 / 带的构造方法以及如何处理偏差。然后，我们讨论了最近使用 KDE 推断密度函数的几何和拓扑特征的进展和如何用 KDE 估计累积分布函数和接收操作特征曲线。 文中提供相关的 R 实现。