Randomness of Shapes and Statistical Inference on Shapes via the Smooth Euler Characteristic Transform
基于平滑欧拉示性数变换的随机形状建模与统计推断AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究拓扑形状统计与几何形态测量，没有所列经济或金融细分的直接依据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
基于平滑欧拉示性数变换的随机形状建模与统计推断
- 研究问题
- 如何为形状的随机性建立数学模型，并借助拓扑变换检验不同群体的形状分布是否存在差异，从而支持形态数据分析？
- 方法与思路
- 作者以平滑欧拉示性数变换建立随机形状推断基础，提出两种基于卡方统计量的检验算法，并开展模拟和灵长类牙齿分析。
- 材料陈述的贡献
- 摘要称该框架连接拓扑、概率与函数分析等领域；牙齿应用检出与已知形态变化相符的差异，模拟用于验证推导和比较方法。
- 阅读关注点
- 应核对随机形状的样本空间与可测性、变换所保留的信息、卡方近似的条件，以及形状预处理对检验结果的影响。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；检验条件、误差控制和具体比较结果未说明，不能推断刊本变化。
原文摘要
In this article, we establish the mathematical foundations for modeling the randomness of shapes and conducting statistical inference on shapes using the smooth Euler characteristic transform. Based on these foundations, we propose two chi-squared statistic-based algorithms for testing hypotheses on random shapes. Simulation studies are presented to validate our mathematical derivations and to compare our algorithms with state-of-the-art methods to demonstrate the utility of our proposed framework. As real applications, we analyze a data set of mandibular molars from four genera of primates and show that our algorithms have the power to detect significant shape differences that recapitulate known morphological variation across suborders. Altogether, our discussions bridge the following fields: algebraic and computational topology, probability theory and stochastic processes, Sobolev spaces and functional analysis, analysis of variance for functional data, and geometric morphometrics.