웨이블릿 수축에 통합된 머신러닝 (MLShrink)
Machine Learning Integrated in Wavelet Shrinkage (MLShrink)
실제로 접하는 데이터는 종종 가산 잡음(additive noise)으로 오염되어 있으며, 웨이블릿 수축(wavelet shrinkage)은 비모수 추정(nonparametric estimation)에서 기저 신호를 복원하는 데 있어 여전히 기본적인 도구로 남아 있습니다. 하드 및 소프트 임계값 적용(hard and soft thresholding)과 같은 고전적인 절차는 웨이블릿 계수를 유지할지 여부를 거의 전적으로 그 크기에 따라 결정합니다. 많은 설정에서 효과적이지만, 이러한 규칙은 신호와 잡음의 구분이 불확실한 중간 영역에 크기가 속하는 계수에 대해서는 너무 경직될 수 있습니다. 우리는 웨이블릿 수축과 머신러닝을 결합한 이중 임계값 웨이블릿 노이즈 제거 절차인 MLShrink를 제안합니다. 하한 임계값보다 낮은 계수는 폐기되고, 상한 임계값보다 높은 계수는 유지되며, 중간 대역의 계수는 국소 웨이블릿 영역 특징을 사용하여 분류됩니다. 이러한 방식으로 MLShrink는 결정 경계(decision boundary)에서 멀리 떨어진 곳에서는 고전적 임계값 적용의 단순성을 유지하면서, 모호한 계수에 대해서는 데이터 적응적(data-adaptive) 결정을 허용합니다. 본 논문은 또한 이 아키텍처에 맞춰진 이론적 프레임워크를 개발합니다. 우리는 MLShrink가 비팽창(nonexpansive) 지지 집합 선택 규칙임을 보이고, 초과 노이즈 제거 위험(excess denoising risk)이 미결정 대역에서의 분류 오류에 의해 결정됨을 보여주는 오라클 기반(oracle-based) 위험 분해를 도출하며, 분류기 성능에 대한 적절한 가정 하에서 오라클 일관성(oracle-consistency) 결과를 확립합니다. 표준 벤치마크 신호에 대한 시뮬레이션 실험은 MLShrink가 여러 확립된 웨이블릿 수축 방법과 경쟁력이 있으며, 불규칙하거나 에지가 많거나 비평활(non-smooth)한 구조를 가진 신호에 특히 효과적임을 나타냅니다. 이러한 발견은 중간 임계값 대역에서의 학습된 결정이 고전적인 웨이블릿 노이즈 제거와 현대 통계적 학습 사이의 유용하고 해석 가능한(interpretable) 연결 고리를 제공함을 시사합니다.