Parametric modelling of thresholds across scales in wavelet regression
小波回归中跨尺度阈值的参数化建模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：摘要讨论一般小波函数估计，未提供与所列计量领域细分直接对应的应用或模型证据。
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
小波回归中跨尺度阈值的参数化建模
- 研究问题
- 在函数叠加独立同分布高斯噪声的模型中，如何利用不同小波尺度的稀疏程度差异，设计便于调节的阈值估计方法？
- 方法与思路
- 作者用单一标量参数联合刻画各尺度阈值，使阈值由细尺度向粗尺度递减，并通过交叉验证选择该参数。
- 材料陈述的贡献
- 摘要称，该方法保留无噪声重构性质，在通常考虑的贝索夫空间范围内达到近最优风险率，模拟比较也显示良好表现。
- 阅读关注点
- 应核对阈值的具体形式、无噪声重构性质的定义、风险率成立的函数空间范围，以及交叉验证和非高斯扩展的条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；无法判断模拟优势的适用范围，也不能将讨论中的非高斯扩展视为已获同等理论保证。
原文摘要
We propose a parametric wavelet thresholding procedure for estimation in the ‘function plus independent, identically distributed Gaussian noise’ model. To reflect the decreasing sparsity of wavelet coefficients from finer to coarser scales, our thresholds also decrease. They retain the noise-free reconstruction property while being lower than the universal threshold, and are jointly parameterised by a single scalar parameter. We show that our estimator achieves near-optimal risk rates for the usual range of Besov spaces. We propose a crossvalidation technique for choosing the parameter of our procedure. A simulation study demonstrates very good performance of our estimator compared to other state-of-the-art techniques. We discuss an extension to non-Gaussian noise.