General empirical Bayes wavelet methods and exactly adaptive minimax estimation
一般经验贝叶斯小波方法与精确自适应极小极大估计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：摘要讨论通用非参数信号估计与小波风险理论，未明确涉及所列计量领域。
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
一般经验贝叶斯小波方法与精确自适应极小极大估计
- 研究问题
- 如何从含噪小波系数估计信号，使估计量同时适应理想可分离规则的风险和广泛信号类上的精确极小极大风险？
- 方法与思路
- 作者构造逼近理想可分离规则的一般经验贝叶斯估计量，并扩展到分块估计，讨论带漂移白噪声与非参数回归模型。
- 材料陈述的贡献
- 摘要称，估计量在广泛 Besov 信号类上同时达到两类风险自适应性，并在指定函数类中给出优于若干既有估计量的结果。
- 阅读关注点
- 应核对风险定义、Besov 类及参数范围、精确自适应与超效率的量词，以及与阈值和 James–Stein 方法比较的条件。
- 阅读边界
- 所据 OpenAlex 索引摘要未注明稿件版本；摘要未提供完整模型与技术条件，理论风险结论不能直接解释为有限样本普遍优势。
原文摘要
In many statistical problems, stochastic signals can be represented as a sequence of noisy wavelet coefficients. In this paper, we develop general empirical Bayes methods for the estimation of true signal. Our estimators approximate certain oracle separable rules and achieve adaptation to ideal risks and exact minimax risks in broad collections of classes of signals. In particular, our estimators are uniformly adaptive to the minimum risk of separable estimators and the exact minimax risks simultaneously in Besov balls of all smoothness and shape indices, and they are uniformly superefficient in convergence rates in all compact sets in Besov spaces with a finite secondary shape parameter. Furthermore, in classes nested between Besov balls of the same smoothness index, our estimators dominate threshold and James–Stein estimators within an infinitesimal fraction of the minimax risks. More general block empirical Bayes estimators are developed. Both white noise with drift and nonparametric regression are considered.