Flexible Empirical Bayes Estimation for Wavelets
灵活的小波经验贝叶斯估计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：摘要研究一般信号去噪的小波估计，重尾误差本身不足以归入金融尾部风险或时间序列应用。
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
灵活的小波经验贝叶斯估计
- 研究问题
- 小波去噪与压缩中，如何选择有效先验，并在正态及较重尾的误差分布下兼顾均方误差表现和对异常值的稳健性？
- 方法与思路
- 作者提出经验贝叶斯先验选择方法，通过模型选择构造阈值收缩估计，通过模型平均构造多重收缩估计。
- 材料陈述的贡献
- 摘要称，所提方法在计算上可与传统阈值方法竞争，对数据域和小波域异常值稳健，模拟与实例展示了均方误差改善。
- 阅读关注点
- 应核对先验族与超参数估计、模型选择和平均的差别，以及异常值设置、比较基准和均方误差改善的适用场景。
- 阅读边界
- 仅据 Crossref 摘要；误差条件、实验设置与改善幅度未说明，不能将所示稳健性和均方误差优势推广到任意信号及噪声。
原文摘要
Summary Wavelet shrinkage estimation is an increasingly popular method for signal denoising and compression. Although Bayes estimators can provide excellent mean-squared error (MSE) properties, the selection of an effective prior is a difficult task. To address this problem, we propose empirical Bayes (EB) prior selection methods for various error distributions including the normal and the heavier-tailed Student t-distributions. Under such EB prior distributions, we obtain threshold shrinkage estimators based on model selection, and multiple-shrinkage estimators based on model averaging. These EB estimators are seen to be computationally competitive with standard classical thresholding methods, and to be robust to outliers in both the data and wavelet domains. Simulated and real examples are used to illustrate the flexibility and improved MSE performance of these methods in a wide variety of settings.