Bayesian Variable Selection and Regularization for Time–Frequency Surface Estimation
时频曲面估计的贝叶斯变量选择与正则化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：摘要明确研究非平稳时间序列的时频表示与建模，但示例为语音和音乐信号。
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…
时频曲面估计的贝叶斯变量选择与正则化
- 研究问题
- 如何从非平稳信号中估计时频曲面，并在过完备表示导致候选预测变量冗余时，通过贝叶斯变量选择稳定逆向建模？
- 方法与思路
- 作者采用 Gabor 回归，将时间序列表示为窗口函数平移与调制后的叠加，再设计变量选择先验和用于推断的马尔可夫链蒙特卡洛方法。
- 材料陈述的贡献
- 摘要称，作者提出适配代表性时间序列的先验与计算方法，并通过语音、音乐信号及小波回归测试函数展示潜在应用。
- 阅读关注点
- 应核对窗口与候选变量的构造、先验如何控制过完备表示，以及采样算法的收敛诊断、重建误差和对先验选择的敏感性。
- 阅读边界
- 仅依据所给 Crossref 摘要；先验形式、计算效率和误差结果未说明，信号示例也不足以确认其对宏观经济序列的适用性。
原文摘要
Summary We describe novel Bayesian models for time–frequency inverse modelling of non-stationary signals. These models are based on the idea of a Gabor regression, in which a time series is represented as a superposition of translated, modulated versions of a window function exhibiting good time–frequency concentration. As a necessary consequence, the resultant set of potential predictors is in general overcomplete—constituting a frame rather than a basis—and hence the resultant models require careful regularization through appropriate choices of variable selection schemes and prior distributions. We introduce prior specifications that are tailored to representative time series, and we develop effective Markov chain Monte Carlo methods for inference. To highlight the potential applications of such methods, we provide examples using two of the most distinctive time–frequency surfaces—speech and music signals—as well as standard test functions from the wavelet regression literature.