Locally adaptive regression splines
局部自适应回归样条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：摘要讨论通用非参数回归与样条理论，空间上不均匀的平滑性不足以对应所列专门领域。
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…
关注这篇论文的作者
局部自适应回归样条
- 研究问题
- 当回归函数在不同位置具有不同平滑程度时，如何让样条结点随局部数据特征调整，并分析估计与计算的理论性质？
- 方法与思路
- 作者研究带总变差惩罚的最小二乘估计，将其刻画为结点位置局部自适应的样条，并提出逐步增删结点的迭代算法。
- 材料陈述的贡献
- 摘要称给出有界变差函数类上的收敛速率，讨论逐点极限分布，证明算法一致性，并展示对不均匀平滑性的适应。
- 阅读关注点
- 阅读全文时应核对惩罚对象、样条阶数与结点规则、收敛速率的条件，以及算法一致性的含义和停止准则。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；具体速率、调参要求及算法复杂度未说明，不能据此声称对任意函数均最优。
原文摘要
Least squares penalized regression estimates with total variation penalties are considered. It is shown that these estimators are least squares splines with locally data adaptive placed knot points. The definition of these variable knot splines as minimizers of global functionals can be used to study their asymptotic properties. In particular, these results imply that the estimates adapt well to spatially inhomogeneous smoothness. We show rates of convergence in bounded variation function classes and discuss pointwise limiting distributions. An iterative algorithm based on stepwise addition and deletion of knot points is proposed and its consistency proved.