想象一份收入数据只写着“1万—2万元有300人”，原始数字因保密而不可见。研究者仍想知道收入集中在哪、有没有峰谷，却得从区间计数反推整条分布曲线。常用方法需要选择带宽——控制曲线平滑程度的旋钮；调小了会把噪声当结构，调大了又会抹平真实差异。
Danisman、Jankowski 和 de Souza 提出 MALC（均值校正的对数凹密度估计）。它不预设正态分布等固定形状，也不需要手选带宽，而是用最大似然法自动寻找符合“对数凹”约束的曲线——简单说，分布可以偏斜，但通常只允许一个主要峰形。方法还利用高斯假设下的 EM 算法校正均值；EM 是在缺失细节时反复估计、更新的一套计算步骤。作者通过多种分布、样本量和分组宽度的模拟，并用人类死亡率数据作了应用检验。
边界也很明确：区间计数不能唯一还原原始数据，MALC 给出的是约束下的合理估计，而非复原；若真实分布不符合对数凹形状，结果也可能受影响。它的价值在于少掉一个敏感的调参环节，让分组数据的密度估计更自动化。