Innovated higher criticism for detecting sparse signals in correlated noise
相关噪声中检测稀疏信号的创新变换高批评检验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：摘要研究通用稀疏信号检测，噪声相关性本身不足以支持网络、因子或金融方向分类。
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
相关噪声中检测稀疏信号的创新变换高批评检验
- 研究问题
- 在信号稀疏且较弱、噪声存在相关性的情况下，能否利用相关结构改善高批评检验，并刻画可检测信号的边界？
- 方法与思路
- 作者修改高批评检验以利用噪声相关性，将相关结构纳入最优检测边界，并考察多项式衰减和 Toeplitz 相关矩阵。
- 材料陈述的贡献
- 摘要称相关性在所研究框架中可改善信号检测，并给出相应最优检测边界；独立噪声被描述为该框架中最困难的情形。
- 阅读关注点
- 应核对允许的相关矩阵类别、相关结构是否已知、稀疏度与强度的渐近设定，以及最优检测边界所对应的风险标准。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，不能将相关性有利的结论推广到任意噪声结构，具体条件和实现细节未说明。
原文摘要
Higher criticism is a method for detecting signals that are both sparse and weak. Although first proposed in cases where the noise variables are independent, higher criticism also has reasonable performance in settings where those variables are correlated. In this paper we show that, by exploiting the nature of the correlation, performance can be improved by using a modified approach which exploits the potential advantages that correlation has to offer. Indeed, it turns out that the case of independent noise is the most difficult of all, from a statistical viewpoint, and that more accurate signal detection (for a given level of signal sparsity and strength) can be obtained when correlation is present. We characterize the advantages of correlation by showing how to incorporate them into the definition of an optimal detection boundary. The boundary has particularly attractive properties when correlation decays at a polynomial rate or the correlation matrix is Toeplitz.