数据放大：一种统一且具有竞争力的属性估计方法

估计离散分布的性质是统计学习中的基本问题。我们设计了首个统一的、线性时间的、具有竞争力的属性估计器，该估计器对于一大类性质与所有底层分布，仅使用 $2n$ 个样本即可达到经验估计器用 $n\sqrt{\log n}$ 个样本所实现的性能。这提供了现成的、与分布无关的、相对于常规做法估计器的数据量的“放大”。我们通过将其与现有针对多种性质与分布的估计器进行比较，说明了该估计器的实际优势。在大多数情况下，其使用 $n$ 个样本的性能甚至与经验估计器使用 $n\log n$ 个样本的性能一样好，并且对几乎所有性质，其性能都可媲美专为该性质设计的最佳现有估计器。