On optimality of Bayesian testimation in the normal means problem
正态均值问题中贝叶斯检验与估计结合方法的最优性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：摘要聚焦稀疏正态均值模型中的通用贝叶斯阈值估计，没有明确的金融因子、预测或其他所列领域设定。
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…
正态均值问题中贝叶斯检验与估计结合方法的最优性
- 研究问题
- 如何在白噪声下恢复稀疏高维均值向量，并通过对非零分量数量设置先验，得到可解释且具自适应最优性的估计？
- 方法与思路
- 作者以非零分量数的先验构造一族L0型惩罚，导出一般阈值规则，并研究不同先验对应的模型选择和最优性性质。
- 材料陈述的贡献
- 摘要称，该框架包含多种既有阈值与模型选择方法，并刻画可在广泛稀疏序列上实现自适应极小极大最优的先验类别。
- 阅读关注点
- 应核对先验与惩罚的对应关系、风险函数和稀疏序列类别，以及一般最优性和自适应极小极大最优性分别需要的条件。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明；摘要未列具体先验条件、风险界或常数，不能将所述最优性推广到任意先验和模型。
原文摘要
We consider a problem of recovering a high-dimensional vector μ observed in white noise, where the unknown vector μ is assumed to be sparse. The objective of the paper is to develop a Bayesian formalism which gives rise to a family of l0-type penalties. The penalties are associated with various choices of the prior distributions πn(⋅) on the number of nonzero entries of μ and, hence, are easy to interpret. The resulting Bayesian estimators lead to a general thresholding rule which accommodates many of the known thresholding and model selection procedures as particular cases corresponding to specific choices of πn(⋅). Furthermore, they achieve optimality in a rather general setting under very mild conditions on the prior. We also specify the class of priors πn(⋅) for which the resulting estimator is adaptively optimal (in the minimax sense) for a wide range of sparse sequences and consider several examples of such priors.