Bayesian Curve Classification Using Wavelets
基于小波的贝叶斯曲线分类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：摘要研究函数型预测变量的通用分类，未涉及经济离散选择机制，也未提供归入其他给定细分方向的依据。
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…
基于小波的贝叶斯曲线分类
- 研究问题
- 当预测变量是一条随机函数时，如何进行二元或多类别分类，并让函数估计与分类共同利用信息？摘要关注这一联合建模问题。
- 方法与思路
- 作者以小波基表示函数，将自适应函数估计与逻辑分类纳入统一贝叶斯层级模型，并使用共轭先验与 Gibbs 抽样进行后验推断。
- 材料陈述的贡献
- 摘要称，联合模型使函数估计与分类相互借力，并通过模拟及真实数据与直接代入等分类方法比较；未明确报告比较结果。
- 阅读关注点
- 阅读时应核对函数观测方式、小波系数的先验与自适应机制，以及两部分模型如何传递不确定性和分类性能如何评估。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明。摘要未说明先验细节、抽样收敛或比较结果，不能推断刊本变化及普遍优势。
原文摘要
We propose classification models for binary and multicategory data where the predictor is a random function. We use Bayesian modeling with wavelet basis functions that have nice approximation properties over a large class of functional spaces and can accommodate a wide variety of functional forms observed in real life applications. We develop an unified hierarchical model to encompass both the adaptive wavelet-based function estimation model and the logistic classification model. We couple together these two models are to borrow strengths from each other in a unified hierarchical framework. The use of Gibbs sampling with conjugate priors for posterior inference makes the method computationally feasible. We compare the performance of the proposed model with other classification methods, such as the existing naive plug-in methods, by analyzing simulated and real data sets.