Stepwise Signal Extraction via Marginal Likelihood
通过边际似然提取阶梯状信号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：摘要直接研究阶梯信号的变点数量和位置估计，方法主题与结构变化方向相符。
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
通过边际似然提取阶梯状信号
- 研究问题
- 对于分段常数的阶梯状信号，如何同时确定变点数量与位置，并在先验设定、统计性质和计算成本之间取得可行的平衡？
- 方法与思路
- 作者构造最大边际似然估计，用动态规划实现二次成本计算，对可能变点集合等同处理，并以经验贝叶斯设定分段参数先验。
- 材料陈述的贡献
- 摘要称，研究考察先验选择与估计量渐近性质，通过详细模拟比较既有方法，并在单分子酶反应和 DNA 阵列数据上展示应用。
- 阅读关注点
- 应核对候选变点集合的先验处理、经验贝叶斯步骤及动态规划递推，并审查变点数量和位置估计所需的渐近条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，无法判断允许的模型范围、渐近结论或比较优势；生物信号应用不保证宏观序列适用性，刊本变化未核验。
原文摘要
This paper studies the estimation of stepwise signal. To determine the number and locations of change-points of the stepwise signal, we formulate a maximum marginal likelihood estimator, which can be computed with a quadratic cost using dynamic programming. We carry out extensive investigation on the choice of the prior distribution and study the asymptotic properties of the maximum marginal likelihood estimator. We propose to treat each possible set of change-points equally and adopt an empirical Bayes approach to specify the prior distribution of segment parameters. Detailed simulation study is performed to compare the effectiveness of this method with other existing methods. We demonstrate our method on single-molecule enzyme reaction data and on DNA array CGH data. Our study shows that this method is applicable to a wide range of models and offers appealing results in practice.