[論文レビュー] Adaptive thresholding for wavelet-based nonparametric heteroskedastic variance estimation on the sphere

Claudio Durastanti, Radomyra Shevchenko|arXiv (Cornell University)|Jan 7, 2026

Point processes and geometric inequalities被引用数 0

ひとこと要約

要約: 本論文は、needletベースの適応的閾値処理を用いて、球面上の空間的に変動する（異方性）分散関数をノンパラメトリックに推定し、Besov空間上でミニマックス最適レートを達成する。アプローチは平均と分散を多重スケールの枠組みで共同推定し、未知の滑らかさに対する適応性を証明する。

ABSTRACT

This paper investigates the nonparametric estimation of a heteroskedastic variance function on the sphere in a regression framework, assuming the variance belongs to a Besov regularity class. A needlet-based estimator is proposed, combining multiresolution analysis with hard thresholding. The method exploits the spatial and spectral localization of needlets to adapt to unknown smoothness and is shown to attain minimax-optimal convergence rates over Besov spaces.

研究の動機と目的

• 球面回帰における異方性誤差のノンパラメトリック分散関数推定を動機づける。
• 球面上のBesov正則性に適応したneedletを用いる適応的多重スケール推定枠組みを開発する。
• 平均と分散関数のミニマックスリスク境界とBesov空間に対する適応性を確立する。

提案手法

• 球面needletフレームを用いて平均 g および分散 V を多重スケール分解で表現する。
• g と複合関数 h=g^2+V を推定するためのsplit-sample推定量を構築し、needlet係数の適応的閾値処理を可能にする。
• 普遍型閾値を用いた硬閾値処理で g および h を推定し、cross-fitted g^2 から V を導出する。
• 平均の二乗推定から生じるバイアスを抑制するためのcross-fittingを適用する。
• 推定量についてBesovボール上でほぼミニマックス適応性を示すリスク境界を証明する。

実験結果

リサーチクエスチョン

• RQ1 球面上のBesov正規性の下で、適応的なneedletベース手法は空間的に変動する分散関数の推定においてミニマックス最適レートを達成できるか。
• RQ2 未知の滑らかさに適応するよう、球面上で平均と異方性分散を共同推定するにはどうすればよいか。
• RQ3 提案する推定量が適応的でレート最適となる理論的収束率と条件は何か。
• RQ4 スケールと位置にわたる係数を一様に制御するための閾値レベルはサンプルサイズとともにどうスケールするべきか。

主な発見

• 提案推定量は分散関数推定のBesov空間に対してほぼミニマックス収束率を達成する。
• 平均と分散関数の未知の滑らかさに対して多重スケールのneedlet閾値処理を通じて適応する。
• g^2 の推定に用いるsplit-sample（クロスフィット）構成は分散推定に関連するバイアスを抑制する。
• 閾値レベル tau_N ~ sqrt(log N / N) によって経験的needlet係数を一様に制御できる。
• needletの局在性を活用し、球面上の空間的に変動する異方性構造を捉える枠組みである。