Multiscale Methods for Data on Graphs and Irregular Multidimensional Situations
图数据与不规则多维数据的多尺度方法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：摘要研究通用图信号和空间函数估计，未明确涉及经济网络或干扰机制，细分证据不足。
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…
图数据与不规则多维数据的多尺度方法
- 研究问题
- 研究如何将类似小波的多尺度表示和收缩估计扩展到图上的数据及多维不规则空间数据，解决规则一维网格之外的函数估计问题。
- 方法与思路
- 作者构造三种新多尺度变换，以连续尺度替代二进尺度层级，并调整经验贝叶斯收缩方法，用于图和不规则空间数据的函数估计。
- 材料陈述的贡献
- 摘要称，方法在真实及模拟数据的空间回归比较中表现良好；所提变换还被定位为可用于其他多尺度方法的通用数据表示工具。
- 阅读关注点
- 应核对图结构和不规则采样如何进入变换、连续尺度的定义及收缩规则，并检查比较方法、误差指标和不同数据结构下的表现。
- 阅读边界
- 仅据所给 Crossref 摘要，不推断其他版本变化。摘要未说明具体图类型、理论保证或比较数值，也未建立网络干扰的因果解释。
原文摘要
Summary For regularly spaced one-dimensional data, wavelet shrinkage has proven to be a compelling method for non-parametric function estimation. We create three new multiscale methods that provide wavelet-like transforms both for data arising on graphs and for irregularly spaced spatial data in more than one dimension. The concept of scale still exists within these transforms, but as a continuous quantity rather than dyadic levels. Further, we adapt recent empirical Bayesian shrinkage techniques to enable us to perform multiscale shrinkage for function estimation both on graphs and for irregular spatial data. We demonstrate that our methods perform very well when compared with several other methods for spatial regression for both real and simulated data. Although we concentrate on multiscale shrinkage (regression) we present our new ‘wavelet transforms’ as generic tools intended to be the basis of methods that might benefit from a multiscale representation of data either on graphs or for irregular spatial data.