[论文解读] Flexible signal denoising via flexible empirical Bayes shrinkage

Zhengrong Xing, Peter Carbonetto+1 more|PubMed|May 25, 2016

Seismic Imaging and Inversion Techniques参考文献 55被引用 5

一句话总结

本文提出了一种灵活的经验贝叶斯收缩方法，用于信号去噪，能够适应异方差性和非高斯噪声，实现对泊松分布和异方差高斯数据的精确平滑。该方法通过采用稳定且计算高效的框架，扩展了现有经验贝叶斯方法，在模拟实验中表现优于标准阈值化方法和专用的经验贝叶斯方法。

ABSTRACT

Signal denoising-also known as non-parametric regression-is often performed through shrinkage estimation in a transformed (e.g., wavelet) domain; shrinkage in the transformed domain corresponds to smoothing in the original domain. A key question in such applications is how much to shrink, or, equivalently, how much to smooth. Empirical Bayes shrinkage methods provide an attractive solution to this problem; they use the data to estimate a distribution of underlying "effects," hence automatically select an appropriate amount of shrinkage. However, most existing implementations of empirical Bayes shrinkage are less flexible than they could be-both in their assumptions on the underlying distribution of effects, and in their ability to handle heteroskedasticity-which limits their signal denoising applications. Here we address this by adopting a particularly flexible, stable and computationally convenient empirical Bayes shrinkage method and applying it to several signal denoising problems. These applications include smoothing of Poisson data and heteroskedastic Gaussian data. We show through empirical comparisons that the results are competitive with other methods, including both simple thresholding rules and purpose-built empirical Bayes procedures. Our methods are implemented in the R package smashr, "SMoothing by Adaptive SHrinkage in R," available at https://www.github.com/stephenslab/smashr.

研究动机与目标

• 解决现有经验贝叶斯收缩方法在处理异方差方差和非高斯噪声时的局限性。
• 开发一种灵活、稳定且计算高效的经 验贝叶斯框架，适用于多种信号去噪问题。
• 将经验贝叶斯收缩方法从恒定方差高斯模型扩展至泊松分布和异方差高斯数据。
• 通过 R 包 smashr 提供统一的软件实现，支持在多种噪声模型下实现自适应信号平滑。

提出的方法

• 采用灵活的经验贝叶斯方法，通过使用位置和尺度参数由数据估计的正态混合分布来建模潜在效应的分布。
• 利用 delta 方法和矩量近似，计算在具有未知混合分布的层次模型下的后验均值和方差。
• 通过数据的循环移位实现平移不变收缩，对所有移位结果取平均，以提高鲁棒性和准确性。
• 采用 ash（自适应收缩）方法对小波系数实施自适应收缩，实现每个系数收缩强度的数据驱动估计。
• 利用 Haar-Fisz 变换稳定泊松方差，从而在泊松设定下实现基于小波的去噪。
• 通过 Rcpp 接口调用 C++ 代码，高效计算平移不变变换和收缩操作，确保在大规模信号上的可扩展性。

实验结果

研究问题

• RQ1 经验贝叶斯收缩能否在不假设恒定方差的前提下，有效扩展至异方差高斯和泊松分布信号？
• RQ2 所提出的灵活经验贝叶斯方法在信号去噪中的性能与标准阈值规则及专用 EB 方法相比如何？
• RQ3 通过循环移位实现的平移不变性在非 i.i.d. 噪声设置下，对经验贝叶斯收缩的准确性提升程度如何？
• RQ4 单一统一框架能否使用相同的收缩原则处理多种信号去噪问题——高斯均值、高斯方差和泊松均值？
• RQ5 对先验分布的灵活建模对不同信号类型下收缩精度和自适应性的影响如何？

主要发现

• 所提出的方法在泊松和异方差高斯数据去噪中表现具有竞争力，优于标准阈值规则，并与或超过专用 EB 方法。
• 采用灵活先验和移位不变性的经验贝叶斯收缩显著提高了信号恢复的准确性，尤其在稀疏或重尾信号场景中。
• 该方法成功处理了高斯数据中的异方差性，而这一能力在大多数现有 EB 实现中缺失，包括广泛使用的 ebayesthresh.wavelet 函数。
• R 包 smashr 实现了在多种噪声模型下的高效、可扩展信号去噪，平移不变处理的计算复杂度保持在 O(log T)。
• 模拟结果表明，该方法的自适应收缩在高斯和泊松设定下均优于通用阈值化和交叉验证阈值化，均方误差更低。
• 采用循环移位并平均所有移位结果显著提高了稳定性，减少了伪影，尤其在信噪比较低的场景下。