Multiscale Poisson Data Smoothing
泊松数据的多尺度平滑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：摘要研究通用泊松强度平滑与小波方法，未明确涉及经济时间序列、波动率或其他所列方向。
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
泊松数据的多尺度平滑
- 研究问题
- 对强度曲线分段光滑的泊松数据，如何构造兼容不同小波家族的非线性多尺度分解，并改善强度曲线平滑估计？
- 方法与思路
- 作者对计算多尺度系数所涉及观测的总和作条件化，引入可兼容不同小波变换的框架，并为分解系数设计先验以进行贝叶斯收缩。
- 材料陈述的贡献
- 摘要称，框架可纳入多类小波及经典阈值方案；模拟显示，相较所列方差稳定化和多尺度似然技术，平均平方误差明显减少。
- 阅读关注点
- 应核对条件化后的系数分布、先验与收缩规则，以及不同小波家族的实现方式和模拟中误差比较的具体场景。
- 阅读边界
- 仅据 Crossref 摘要；摘要未说明边界处理、风险理论或模拟改善幅度，不能将特定模拟的误差下降视为普遍优势。
原文摘要
Summary The paper introduces a framework for non-linear multiscale decompositions of Poisson data that have piecewise smooth intensity curves. The key concept is conditioning on the sum of the observations that are involved in the computation of a given multiscale coefficient. Within this framework, most classical wavelet thresholding schemes for data with additive homoscedastic noise can be used. Any family of wavelet transforms (orthogonal, biorthogonal or second generation) can be incorporated in this framework. Our second contribution is to propose a Bayesian shrinkage approach with an original prior for coefficients of this decomposition. As such, the method combines the advantages of the Haar–Fisz transform with wavelet smoothing and (Bayesian) multiscale likelihood models, with additional benefits, such as extendability towards arbitrary wavelet families. Simulations show an important reduction in average squared error of the output, compared with the present techniques of Anscombe or Fisz variance stabilization or multiscale likelihood modelling.