Understanding WaveShrink: variance and bias estimation
理解 WaveShrink：方差与偏差估计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：摘要讨论一般函数估计、小波收缩和风险计算，没有直接对应所列应用细分方向的证据。
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…
关注这篇论文的作者
理解 WaveShrink：方差与偏差估计
- 研究问题
- 小波系数收缩如何影响有限样本下函数估计的偏差、方差和风险，以及这些信息能否帮助选择阈值并构造近似置信区间？
- 方法与思路
- 作者推导 WaveShrink 有限样本偏差、方差及平方积分风险的高效计算公式，据此研究硬软收缩、偏差估计和阈值选择。
- 材料陈述的贡献
- 摘要称，论文给出精确风险分解的计算公式和近似置信区间，并指出硬收缩偏差较小、方差较大，软收缩应使用更小阈值。
- 阅读关注点
- 应核对噪声与小波设定、精确公式适用条件、近似区间覆盖表现，以及理想和极小极大阈值的定义与比较范围。
- 阅读边界
- 摘要未说明有限样本公式的条件或区间覆盖率，末句“ideal rank”含义不明，需核对原文；索引摘要未注明稿件版本。
原文摘要
Donoho & Johnstone's WaveShrink procedure has proved valuable for function estimation and nonparametric regression. WaveShrink is based on the principle of shrinking wavelet coefficients towards zero to remove noise. WaveShrink has very broad asymptotic near-optimality properties and achieves the optimal risk to within a factor of log n. In this paper, we derive computationally efficient formulae for computing the exact bias, variance and L2 risk of WaveShrink estimates in finite sample situations. We use these formulae to understand the behaviour of WaveShrink estimators, construct approximate confidence intervals and bias estimates for WaveShrink and compute ideal thresholds for a given function. We show that hard shrinkage has smaller bias but larger variance than soft shrinkage, and that significantly smaller thresholds should be used for soft shrinkage. We also compute minimax thresholds for WaveShrink estimators and demonstrate that the minimax thresholds can nearly achieve the ideal rank for a range of functions.