Minimax Theory of Likelihood-Based Deep Learning for Speckle Regression
基于似然的深度学习斑点回归的极小极大理论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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要内容属于非参数回归的极小极大理论与深度学习估计方法，未涉及所给微观、宏观或金融计量细分方向的文本依据。
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
基于似然的深度学习斑点回归的极小极大理论
- 研究问题
- 摘要称，研究在同时含乘性斑点噪声与加性高斯噪声的模型下，用基于似然的深度神经网络估计光滑非参数回归函数的极小极大估计问题，并覆盖低维与稀疏高维特征两种情形。
- 方法与思路
- 作者提出基于似然的 DNN 估计方法，以规避乘性斑点噪声下回归函数无法由条件均值识别、最小二乘不适用的问题；摘要称建立了有限样本误差上界，并推导了非参数函数恢复的极小极大下界。
- 材料陈述的贡献
- 摘要称所给上界与下界在样本量的对数因子范围内相匹配，且这些极小极大速率与仅有加性高斯噪声时的非参数回归速率在对数因子内一致，说明乘性斑点噪声未实质改变估计的内在难度；数值实验支持方法的一致性。
- 阅读关注点
- 应核对模型与识别假设的具体设定、似然函数形式、上界与下界成立的条件（如光滑性、稀疏性、维数）、对数因子的具体含义，以及数值实验的设计与结论是否支持理论速率。
- 阅读边界
- 仅凭摘要无法判断证明细节、假设强度、常数与对数因子的具体形式及实验规模；该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收或结论已获独立验证。
原文摘要
Speckle noise is a multiplicative noise commonly encountered in coherent imaging modalities such as synthetic aperture radar, optical coherence tomography, and digital holography. Although deep learning methods, in practice, have achieved state-of-the-art performance for speckle denoising, their fundamental statistical limits remain largely unexplored. Unlike additive noise models, multiplicative speckle noise makes the regression function unidentifiable from the conditional mean, rendering conventional least-squares-based deep learning approaches inapplicable. We study the minimax estimation of smooth nonparametric regression functions using likelihood-based deep neural network (DNN) estimators under a model with both multiplicative speckle noise and additive Gaussian noise. Our framework accommodates both low-dimensional and sparse high-dimensional features. We establish finite-sample upper bounds on the estimation error of the proposed DNN estimators and derive minimax lower bounds for nonparametric function recovery under our model, showing that they match up to logarithmic factors in the sample size. Moreover, these minimax rates coincide, up to logarithmic factors, with those for nonparametric regression under additive Gaussian noise alone, demonstrating that the intrinsic difficulty of estimation remains essentially unchanged despite the challenges posed by multiplicative speckle noise. Numerical experiments further supports consistency of our DNN-based despeckling methods and demonstrate their effectiveness.