A cross-validation framework for signal denoising with applications to trend filtering, dyadic CART and beyond
信号去噪的交叉验证框架：趋势滤波、二分 CART 等应用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：摘要研究通用去噪、非参数回归和调参理论；趋势滤波这一名称不足以确定时间序列或结构变化分类。
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…
信号去噪的交叉验证框架：趋势滤波、二分 CART 等应用
- 研究问题
- 对依赖调参的信号去噪方法，能否建立通用交叉验证框架，使数据选择参数后的估计接近最优调参时的收敛速度？
- 方法与思路
- 作者构建信号去噪交叉验证框架，将其用于趋势滤波和二分 CART，并扩展研究高维回归 lasso 与矩阵奇异值阈值估计。
- 材料陈述的贡献
- 摘要称交叉验证后的趋势滤波和二分 CART 达到接近最优调参的收敛率，并提供此前缺少的相应理论分析。
- 阅读关注点
- 核对数据划分方式、候选调参集合和误差度量，明确接近最优收敛率的损失项，以及各类估计量应用所需条件。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；具体条件和收敛率差距未提供，框架可能广泛适用不等于已覆盖所有调参方法。
原文摘要
This paper formulates a general cross-validation framework for signal denoising. The general framework is then applied to nonparametric regression methods such as trend filtering and dyadic CART. The resulting cross-validated versions are then shown to attain nearly the same rates of convergence as are known for the optimally tuned analogues. There did not exist any previous theoretical analyses of cross-validated versions of trend filtering or dyadic CART. To illustrate the generality of the framework, we also propose and study cross-validated versions of two fundamental estimators; lasso for high-dimensional linear regression and singular value thresholding for matrix estimation. Our general framework is inspired by the ideas in Chatterjee and Jafarov (2015) and is potentially applicable to a wide range of estimation methods which use tuning parameters.