On Minimax Estimation of a Sparse Normal Mean Vector
稀疏正态均值向量的极小极大估计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：摘要讨论稀疏正态均值、污染分布与一般估计理论，稳健性主题本身不等同于金融风险等所列专门领域。
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
稀疏正态均值向量的极小极大估计
- 研究问题
- 高斯噪声下多数分量为零的非负均值向量，其极小极大风险如何随稀疏程度变化，并与最小信息污染猜想有何联系？
- 方法与思路
- 作者推导稀疏比例趋零时极小极大风险的部分渐近展开，借此考察污染分布猜想，并辅以数值计算和估计规则比较。
- 材料陈述的贡献
- 摘要称相关猜想在展开精度内渐近成立，且最优的 l₁ 估计规则具有一阶而非二阶极小极大性质。
- 阅读关注点
- 应核对非负参数空间、稀疏约束、风险定义及展开余项，并查明一阶与二阶最优性比较所针对的估计规则。
- 阅读边界
- OpenAlex 索引版本未注明；摘要仅给出部分渐近展开，不能据此认定猜想在有限稀疏比例下精确成立。
原文摘要
Mallows has conjectured that among distributions which are Gaussian but for occasional contamination by additive noise, the one having least Fisher information has (two-sided) geometric contamination. A very similar problem arises in estimation of a nonnegative vector parameter in Gaussian white noise when it is known also that most [i.e., $(1 - \varepsilon)$] components are zero. We provide a partial asymptotic expansion of the minimax risk as $\varepsilon \rightarrow 0$. While the conjecture seems unlikely to be exactly true for finite $\varepsilon$, we verify it asymptotically up to the accuracy of the expansion. Numerical work suggests the expansion is accurate for $\varepsilon$ as large as 0.05. The best $l_1$-estimation rule is first- but not second-order minimax. The results bear on an earlier study of maximum entropy estimation and various questions in robustness and function estimation using wavelet bases.