自适应估计球面上的Sobolev型能量泛函
Adaptive estimation of Sobolev-type energy functionals on the sphere
AI总结：
本文提出了一种基于球面需要量框架的自适应估计方法，用于估计球面上Sobolev型能量泛函，实现了在未知光滑度下的最优minimax速率。
摘要：
我们研究了未知密度在单位球面上二次Sobolev型积分泛函的估计问题。该泛函通过拉普拉斯-贝特拉米算子的分数次幂定义，提供了全局的光滑度和谱能量度量。我们的方法依赖于球面需要量框架，该框架在保持球面上自然平方可积函数空间中的紧框架性质的同时，提供了局部化的多尺度分解。我们构造了适当截断版本泛函的无偏估计量，并通过显式的偏差-方差分析推导出尖锐的自适应风险界。当密度的光滑度未知时，我们提出了一种数据驱动的分辨率水平选择方法。所得到的自适应估计量在Sobolev类上达到最优的minimax速率，而无需采用非线性或稀疏性方法。
英文摘要：
We study the estimation of quadratic Sobolev-type integral functionals of an unknown density on the unit sphere. The functional is defined through fractional powers of the Laplace--Beltrami operator and provides a global measure of smoothness and spectral energy. Our approach relies on spherical needlet frames, which yield a localized multiscale decomposition while preserving tight frame properties in the natural square-integrable function space on the sphere. We construct unbiased estimators of suitably truncated versions of the functional and derive sharp oracle risk bounds through an explicit bias--variance analysis. When the smoothness of the density is unknown, we propose a Lepski-type data-driven selection of the resolution level. The resulting adaptive estimator achieves minimax-optimal rates over Sobolev classes, without resorting to nonlinear or sparsity-based methods.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
