我们可以使用链接到您的Project Euclid帐户的电子邮件地址帮助您重置密码。
我们引入了一个新的稀疏正态均值估计框架,弥补了流行的频率策略(LASSO)和流行的贝叶斯策略(尖峰与随机)之间的差距。本文的主旨是介绍尖峰-平顶LASSO(SS-LASSO)先验函数族,它在拉普拉斯先验函数和尖峰-稳定先验函数之间形成了一个连续统。我们建立了SS-LASSO先验函数的几个吸引人的频率特性,并将它们与这两种极限情况进行了比较。首先,我们在贝叶斯模态估计中采用惩罚似然的观点,并引入了带有尖峰和盲先验的贝叶斯惩罚混合框架。我们表明,SS-LASSO全局后验模式在平方误差损失下是(接近)最小最大速率最优的,与LASSO类似。进一步,我们引入了一种自适应两步估计器,该估计器可以获得比LASSO更清晰的性能。其次,我们证明了整个后验函数与全局模式保持同步,并集中在(近)极小极大速率上,这是已知的单拉普拉斯先验函数的性质。最小速率最优性是通过适当的独立乘积先验(对于已知的稀疏性水平)和相关的混合先验(适应未知的稀疏性程度)获得的。到目前为止,仅针对点质量为零的尖峰-平顶先验模型建立了速率最优后验浓度。因此,SS-LASSO先验函数尽管是连续的,但与“理论上理想的”点群混合函数具有类似的优化性质。这些结果为我们提出的先验分类提供了宝贵的理论依据,支持了它们的直观吸引力和实用潜力。
维罗妮卡·罗奇科娃。 “使用连续的尖峰-平顶先验对稀疏信号进行贝叶斯估计。” 安。统计师。 46 (1) 401 - 437, 2018年2月。 https://doi.org/10.1214/17-AOS1554