Needles and straw in haystacks: Empirical Bayes estimates of possibly sparse sequences
大海捞针：可能稀疏序列的经验贝叶斯估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究一般高斯序列的稀疏估计，未提供对应所列经济计量细分的直接证据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
大海捞针：可能稀疏序列的经验贝叶斯估计
- 研究问题
- 在高斯白噪声中观察到未知稀疏程度的信号序列时，如何让估计方法适应稀疏与稠密情形，并控制整体估计风险？
- 方法与思路
- 作者采用零点质量与重尾密度的混合先验，以边际极大似然选择混合权重，再用后验中位数或共享阈值的规则估计。
- 材料陈述的贡献
- 摘要称通过阈值的概率界获得多类稀疏信号的风险界，并讨论极稀疏序列的修正方法；适当重尾密度下可计算。
- 阅读关注点
- 应核对重尾密度要求、阈值概率界与风险度量，以及不同稀疏类之间的适应范围；另查极稀疏修正及软件实现细节。
- 阅读边界
- 依据版本未注明的索引摘要；其中范数参数范围的文本有缺损，需查原文，不能补全条件或将模拟评价视为普遍优势。
原文摘要
An empirical Bayes approach to the estimation of possibly sparse sequences observed in Gaussian white noise is set out and investigated. The prior considered is a mixture of an atom of probability at zero and a heavy-tailed density γ, with the mixing weight chosen by marginal maximum likelihood, in the hope of adapting between sparse and dense sequences. If estimation is then carried out using the posterior median, this is a random thresholding procedure. Other thresholding rules employing the same threshold can also be used. Probability bounds on the threshold chosen by the marginal maximum likelihood approach lead to overall risk bounds over classes of signal sequences of length n, allowing for sparsity of various kinds and degrees. The signal classes considered are “nearly black” sequences where only a proportion η is allowed to be nonzero, and sequences with normalized ℓp norm bounded by η, for η>0 and 0 1. Simulations show excellent performance. For appropriately chosen functions γ, the method is computationally tractable and software is available. The extension to a modified thresholding method relevant to the estimation of very sparse sequences is also considered.