A data-driven block thresholding approach to wavelet estimation
小波估计的数据驱动分块阈值方法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：摘要属于通用非参数回归和小波估计理论，未明确涉及分布效应、时间序列或其他所列领域细分。
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
小波估计的数据驱动分块阈值方法
- 研究问题
- 在小波回归中，如何由数据选择不同分辨率层的块大小和阈值，以兼顾稠密与稀疏函数类中的估计风险？
- 方法与思路
- 作者在各分辨率层最小化 Stein 无偏风险估计来选择分块和阈值，并研究该程序的理论性质与有限样本表现。
- 材料陈述的贡献
- 摘要称估计量在一类 Besov 集合上具有锐适应性，并在广泛函数类上接近极小极大风险；数值比较显示其表现较好。
- 阅读关注点
- 应核对 Besov 函数类范围、风险准则与常数保证，并检查调参搜索、实现成本及数值比较中的噪声和信号设定。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；噪声条件、风险常数及比较结果未给出，不能声称对所有函数或样本占优。
原文摘要
A data-driven block thresholding procedure for wavelet regression is proposed and its theoretical and numerical properties are investigated. The procedure empirically chooses the block size and threshold level at each resolution level by minimizing Stein’s unbiased risk estimate. The estimator is sharp adaptive over a class of Besov bodies and achieves simultaneously within a small constant factor of the minimax risk over a wide collection of Besov Bodies including both the “dense” and “sparse” cases. The procedure is easy to implement. Numerical results show that it has superior finite sample performance in comparison to the other leading wavelet thresholding estimators.