Generalized cluster trees and singular measures
广义聚类树与奇异测度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：摘要属于聚类与测度估计理论，未明确涉及经济网络、因子模型或其他所列方向。
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
广义聚类树与奇异测度
- 研究问题
- 如何在奇异与非奇异测度下定义和估计聚类树，并区分密度估计误差、距离一致性及拓扑恢复之间的关系？
- 方法与思路
- 作者用点排序形成集合的概率含量构建 α 聚类树，分析核密度估计与临界点，并引入影响拓扑的维度临界点。
- 材料陈述的贡献
- 摘要称，论文给出非奇异情形的收敛率，说明奇异情形下不同距离的一致性差异，并证明估计聚类树的拓扑一致性。
- 阅读关注点
- 应核对奇异测度结构、核与带宽条件、重缩放定义及维度临界点的作用，并区分各类一致性结论的对象和度量。
- 阅读边界
- 仅据 OpenAlex 索引摘要，稿件版本未注明；摘要未给出测度类别、收敛率及拓扑条件，不能由一种一致性推断另一种。
原文摘要
In this paper we study the $\alpha $-cluster tree ($\alpha $-tree) under both singular and nonsingular measures. The $\alpha $-tree uses probability contents within a set created by the ordering of points to construct a cluster tree so that it is well defined even for singular measures. We first derive the convergence rate for a density level set around critical points, which leads to the convergence rate for estimating an $\alpha $-tree under nonsingular measures. For singular measures, we study how the kernel density estimator (KDE) behaves and prove that the KDE is not uniformly consistent but pointwise consistent after rescaling. We further prove that the estimated $\alpha $-tree fails to converge in the $L_{\infty }$ metric but is still consistent under the integrated distance. We also observe a new type of critical points—the dimensional critical points (DCPs)—of a singular measure. DCPs are points that contribute to cluster tree topology but cannot be defined using density gradient. Building on the analysis of the KDE and DCPs, we prove the topological consistency of an estimated $\alpha $-tree.