Triogram Models
Triogram 三角剖分样条模型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：摘要涉及通用二元函数、样条回归及密度估计，缺乏所列计量领域细分的直接证据。
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…
Triogram 三角剖分样条模型
- 研究问题
- 对于定义在平面多边形区域上的二元函数，如何构造能自适应数据且保持仿射变换不变性的估计方法？
- 方法与思路
- 作者基于自适应构造的三角剖分建立分片线性二元样条，用于二元回归和对数密度估计，并讨论扩展线性模型中的应用。
- 材料陈述的贡献
- 摘要称整个估计程序具有仿射变换不变性，适合多边形定义域，并可用于高维函数方差分析分解中的双因子交互项。
- 阅读关注点
- 核对三角剖分的自适应规则、拟合准则与复杂度控制，以及仿射不变性的确切含义和高维交互项扩展的实现方式。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；摘要未说明收敛理论、调参规则或数值比较，高维扩展也未在所述例子中展示。
原文摘要
In this article we introduce the Triogram method for function estimation using piecewise linear, bivariate splines based on an adaptively constructed triangulation. We illustrate the technique for bivariate regression and log-density estimation and indicate how our approach can be applied directly to model bivariate functions in the broader context of an extended linear model. The entire estimation procedure is invariant under affine transformations and is a natural approach for modeling data when the domain of the predictor variables is a polygonal region in the plane. Although our examples deal exclusively with estimating bivariate functions, the use of Triograms for modeling two-factor interactions in analysis of variance decompositions of functions depending on more than two variables is straightforward.