Smooth Blockwise Iterative Thresholding: A Smooth Fixed Point Estimator Based on the Likelihood’s Block Gradient
平滑分块迭代阈值法：基于似然分块梯度的固定点估计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：摘要主要提出通用模型选择与阈值估计方法，时间序列仅用于引力波信号检测，未明确对应所列经济领域细分。
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
平滑分块迭代阈值法：基于似然分块梯度的固定点估计
- 研究问题
- 如何构造同时具有平滑性和变量选择能力的迭代阈值估计，并使风险估计更平稳，以支持正则化参数选择和多序列信号检测？
- 方法与思路
- 作者以似然分块梯度驱动平滑阈值迭代，将估计量定义为固定点；研究高斯回归，并构建用于引力波检测的小波分块估计。
- 材料陈述的贡献
- 摘要称，高斯回归下估计量唯一且 SURE 对正则化参数平滑；在小波设置中推导通用阈值、信息准则和预言不等式。
- 阅读关注点
- 应核对固定点唯一性的条件、平滑参数对风险估计和稀疏性的作用，以及多传感器小波分块规则与预言不等式的范围。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明，不能推断刊本变化；高斯回归结论不能直接推广至任意似然，具体条件和模拟数值未说明。
原文摘要
The proposed smooth blockwise iterative thresholding estimator (SBITE) is a model selection technique defined as a fixed point reached by iterating a likelihood gradient-based thresholding function. The smooth James–Stein thresholding function has two regularization parameters λ and ν, and a smoothness parameter s. It enjoys smoothness like ridge regression and selects variables like lasso. Focusing on Gaussian regression, we show that SBITE is uniquely defined, and that its Stein unbiased risk estimate is a smooth function of λ and ν, for better selection of the two regularization parameters. We perform a Monte Carlo simulation to investigate the predictive and oracle properties of this smooth version of adaptive lasso. The motivation is a gravitational wave burst detection problem from several concomitant time series. A nonparametric wavelet-based estimator is developed to combine information from all captors by block-thresholding multiresolution coefficients. We study how the smoothness parameter s tempers the erraticity of the risk estimate, and derives a universal threshold, an information criterion, and an oracle inequality in this canonical setting.