Smooth Design-Adapted Wavelets for Nonparametric Stochastic Regression
非参数随机回归中的平滑设计自适应小波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：摘要研究通用非参数回归与小波算法，设计适应性及异方差噪声不足以确定所列领域细分。
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
非参数随机回归中的平滑设计自适应小波
- 研究问题
- 非参数回归中，如何让平滑小波适应不规则设计、区间数据与任意样本量，并处理不同形式的观测噪声？
- 方法与思路
- 作者从非平衡 Haar 基出发，通过提升格式、加权平均插值及受约束局部半正交化构造双正交小波和阈值算法。
- 材料陈述的贡献
- 摘要称该构造适应设计与样本量限制，并通过真实数据及含白噪声、相关噪声和异方差噪声的模拟展示数值表现。
- 阅读关注点
- 应核对经验设计测度下的基构造、消失矩与条件数改善机制，以及阈值选择和各噪声场景的比较方案。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出数值结果、误差保证或比较细节，不能据此认定全面优越。
原文摘要
We treat nonparametric stochastic regression using smooth design-adapted wavelets built by means of the lifting scheme. The proposed method automatically adapts to the nature of the regression problem, that is, to the irregularity of the design, to data on the interval, and to arbitrary sample sizes (which do not need to be a power of 2). As such, this method provides a uniform solution to the usual criticisms of first-generation wavelet estimators. More precisely, starting from the unbalanced Haar basis orthogonal with respect to the empirical design measure, we use weighted average interpolation to construct biorthogonal wavelets with a higher number of vanishing analyzing moments. We include a lifting step that improves the conditioning through constrained local semiorthogonalization. We propose a wavelet thresholding algorithm and show its numerical performance both on real data and in simulations including white, correlated, and heteroscedastic noise.