On the Statistical Analysis of Smoothing by Maximizing Dirty Markov Random Field Posterior Distributions
通过最大化“脏”马尔可夫随机场后验进行平滑的统计分析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：摘要明确给出谱密度估计应用，因此与时间序列直接相关；其余内容主要是通用非参数平滑方法。
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
通过最大化“脏”马尔可夫随机场后验进行平滑的统计分析
- 研究问题
- 采用基于 Laplace 分布的马尔可夫随机场先验时，如何求解不可微后验的最大值、自动选择平滑程度，并估计非光滑函数？
- 方法与思路
- 作者提出处理约束与不可微性的精确最大后验求解方法，讨论经验贝叶斯、两折交叉验证和通用规则三种平滑参数选择程序。
- 材料陈述的贡献
- 摘要称，所述模拟中该估计对非光滑函数可优于类似高斯先验及小波方法，并展示与样条、小波的联系及谱密度、图像去噪应用。
- 阅读关注点
- 应核对先验的差分结构、精确求解算法、三种参数选择方法的条件，以及非光滑函数模拟和谱密度应用中的评价准则。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出算法复杂度或改善数值，不能把指定模拟中的优势推广至所有函数。
原文摘要
We consider Bayesian nonparametric function estimation using a Markov random field prior based on the Laplace distribution. We describe efficient methods for finding the exact maximum a posteriori estimate, which handle constraints naturally and avoid the problems posed by nondifferentiability of the posterior distribution; the methods also make links to spline and wavelet smoothers and to a dual posterior distribution. Three automatic smoothing parameter selection procedures are described: empirical Bayes, two-fold cross-validation, and a universal rule for the Laplace prior. Monte Carlo simulation with Gaussian and Poisson responses demonstrates that the new estimator can give better estimates of nonsmooth functions than can a similar prior based on the Gaussian distribution or wavelet-based competitors. Applications are given to spectral density estimation and to Poisson image denoising.