Stochastic expansions using continuous dictionaries: Lévy adaptive regression kernels
连续字典下的随机展开：Lévy 自适应回归核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函数先验与计算，未明确对应给定细分领域，非平稳应用也不足以认定为时间序列研究。
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…
连续字典下的随机展开：Lévy 自适应回归核
- 研究问题
- 如何为局部尺度、形状及其他特征随位置变化的未知函数构造灵活先验，并进行非参数估计与不确定性推断？
- 方法与思路
- 作者以连续参数索引核函数，通过 Lévy 随机场及随机积分构造加权展开先验，并用可逆跳跃 MCMC 进行后验推断。
- 材料陈述的贡献
- 摘要称给出随机展开在指定 Besov 或 Sobolev 范数下的收敛条件，并通过标准测试函数比较及非平稳应用展示适应性。
- 阅读关注点
- 阅读全文时应核对展开收敛所需条件、先验对核数量及局部特征的约束，以及可逆跳跃算法和小波比较的具体设置。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；收敛条件和比较结果未详述，不能据此判断普遍优越性或推断其他版本变化。
原文摘要
This article describes a new class of prior distributions for nonparametric function estimation. The unknown function is modeled as a limit of weighted sums of kernels or generator functions indexed by continuous parameters that control local and global features such as their translation, dilation, modulation and shape. Lévy random fields and their stochastic integrals are employed to induce prior distributions for the unknown functions or, equivalently, for the number of kernels and for the parameters governing their features. Scaling, shape, and other features of the generating functions are location-specific to allow quite different function properties in different parts of the space, as with wavelet bases and other methods employing overcomplete dictionaries. We provide conditions under which the stochastic expansions converge in specified Besov or Sobolev norms. Under a Gaussian error model, this may be viewed as a sparse regression problem, with regularization induced via the Lévy random field prior distribution. Posterior inference for the unknown functions is based on a reversible jump Markov chain Monte Carlo algorithm. We compare the Lévy Adaptive Regression Kernel (LARK) method to wavelet-based methods using some of the standard test functions, and illustrate its flexibility and adaptability in nonstationary applications.