Frequentist optimality of Bayesian wavelet shrinkage rules for Gaussian and non-Gaussian noise
高斯与非高斯噪声下贝叶斯小波收缩规则的频率学派最优性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与小波理论，没有直接对应所列计量领域细分。
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
高斯与非高斯噪声下贝叶斯小波收缩规则的频率学派最优性
- 研究问题
- 在误差独立同分布且不必为正态的非参数回归中，不同贝叶斯小波收缩模型能否在指定函数空间内达到频率学派渐近最优性？
- 方法与思路
- 作者在 Sobolev 与 Besov 空间中比较多种贝叶斯模型的收敛表现，建立超参数之间的关系，并分析未达到最优速率的原因。
- 材料陈述的贡献
- 摘要称，所研究的多数既有贝叶斯模型可达到理论最优性，同时指出不能达到最优收敛速率的模型并解释其失败机制。
- 阅读关注点
- 应核对噪声分布和函数空间的限制、风险度量、超参数关系及最优速率定义，确认哪些模型被纳入比较及失败条件。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要，无法确认具体速率或误差矩条件；“多数模型”不能扩展为所有贝叶斯小波规则。
原文摘要
The present paper investigates theoretical performance of various Bayesian wavelet shrinkage rules in a nonparametric regression model with i.i.d. errors which are not necessarily normally distributed. The main purpose is comparison of various Bayesian models in terms of their frequentist asymptotic optimality in Sobolev and Besov spaces. We establish a relationship between hyperparameters, verify that the majority of Bayesian models studied so far achieve theoretical optimality, state which Bayesian models cannot achieve optimal convergence rate and explain why it happens.