Density estimation by wavelet thresholding
基于小波阈值化的密度估计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：摘要讨论一般非参数密度估计的适应性与极小极大理论，未涉及经济分布效应或所列其他应用方向。
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…
基于小波阈值化的密度估计
- 研究问题
- 小波阈值密度估计能否在多种 Besov 函数类和全局损失下同时达到极小极大速率，何时必须采用非线性方法？
- 方法与思路
- 作者分析经验小波系数阈值化的渐近性质，并通过 Mallows 距离下的高斯白噪声近似处理平方误差。
- 材料陈述的贡献
- 摘要称单一阈值估计器可在多类空间与损失下达到相差对数项的最优速率，另一方法实现平方误差的精确最优速率。
- 阅读关注点
- 应核对 Besov 类与损失指数的范围、阈值规则及对数损失，并区分两种方法各自支持的最优性结论。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；具体参数范围与构造未提供，不能把平方误差的精确最优性推广至全部损失。
原文摘要
Density estimation is a commonly used test case for nonparametric estimation methods. We explore the asymptotic properties of estimators based on thresholding of empirical wavelet coefficients. Minimax rates of convergence are studied over a large range of Besov function classes $B_{\sigma pq}$ and for a range of global $L'_p$ error measures, $1 \leq p' < \infty$. A single wavelet threshold estimator is asymptotically minimax within logarithmic terms simultaneously over a range of spaces and error measures. In particular, when $p' > p$, some form of nonlinearity is essential, since the minimax linear estimators are suboptimal by polynomial powers of n. A second approach, using an approximation of a Gaussian white-noise model in a Mallows metric, is used to attain exactly optimal rates of convergence for quadratic error $(p' = 2)$.