Multiple shrinkage and subset selection in wavelets
小波中的多重收缩与子集选择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：摘要研究通用小波收缩与函数重构，未明确涉及所列经济计量细分方向。
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…
关注这篇论文的作者
小波中的多重收缩与子集选择
- 研究问题
- 如何在小波去噪与压缩中同时收缩系数并选择保留项，以及不同计算实现如何影响函数重构的均方误差？
- 方法与思路
- 作者采用贝叶斯层次模型，为小波系数取零赋予正先验概率，并讨论解析近似、重要性抽样及马尔可夫链蒙特卡洛计算。
- 材料陈述的贡献
- 摘要称，所得多重收缩估计具有多种非线性模式，在标准测试函数模拟中表现出良好的均方误差，并展示了 glint 数据应用。
- 阅读关注点
- 应核对先验及超参数设定、零系数的选择规则、解析近似误差，以及模拟中比较方法的调参方式与计算成本。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；局部措辞疑有录入错误。摘要未给出具体误差结果，不能据此判断普遍优越性或刊本变化。
原文摘要
This paper discusses Bayesian methods for multiple shrinkage estimation in wavelets. Wavelets are used in applications for data denoising, via shrinkage of the coefficients towards zero, and for data compression, by shrinkage and setting small coefficients to zero. We approach wavelet shrinkage by using Bayesian hierarchical models, assigning a positive prior probability to the wavelet coefficients king zero. The resulting estimator for the wavelet coefficients is a multiple shrinkage estimator that exhibits a wide variety of nonlinear patterns. We discuss fast computational implementations, with a focus on easy-to-compute analytic approximations as well as importance sampling and Markov chain Monte Carlo methods. Multiple shrinkage estimators prove to have excellent mean squared error performance in reconstructing standard test functions. We demonstrate this in simulated test examples, comparing various implementations of multiple shrinkage to commonly-used shrinkage rules. Finally, we illustrate our approach with an application to the so-called ‘glint’ data.