Frame-constrained total variation regularization for white noise regression
白噪声回归中的框架约束总变差正则化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：摘要聚焦白噪声回归和信号恢复的通用理论，未明确对应给定计量细分。
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
白噪声回归中的框架约束总变差正则化
- 研究问题
- 在多维白噪声回归中，框架约束总变差估计能否获得接近极小极大最优的风险，并解释有界变差函数风险的相变？
- 方法与思路
- 作者将框架约束与特定 Besov 范数联系起来，再利用插值不等式连接这些约束和风险函数，分析多维估计的理论性能。
- 材料陈述的贡献
- 摘要称，在任意正整数维度、有限阶 Lq 风险下，所研究估计量达到相差至多对数因子的极小极大最优性，并解释风险相变。
- 阅读关注点
- 应核对函数类与框架条件、风险中对数因子的来源、维度和损失阶数的作用，以及有界变差函数风险相变的具体范围。
- 阅读边界
- 仅据所给 OpenAlex 摘要；摘要未提供函数类边界、完整定理条件或有限样本结果，不能据此推断任意总变差算法均有相同性能。
原文摘要
Despite the popularity and practical success of total variation (TV) regularization for function estimation, surprisingly little is known about its theoretical performance in a statistical setting. While TV regularization has been known for quite some time to be minimax optimal for denoising one-dimensional signals, for higher dimensions this remains elusive until today. In this paper, we consider frame-constrained TV estimators including many well-known (overcomplete) frames in a white noise regression model, and prove their minimax optimality w.r.t. Lq-risk (1≤q<∞) up to a logarithmic factor in any dimension d≥1. Overcomplete frames are an established tool in mathematical imaging and signal recovery, and their combination with TV regularization has been shown to give excellent results in practice, which our theory now confirms. Our results rely on a novel connection between frame-constraints and certain Besov norms, and on an interpolation inequality to relate them to the risk functional. Additionally, our results explain a phase transition in the minimax risk for BV functions.