Multiscale geometric feature extraction for high-dimensional and non-Euclidean data with applications
高维与非欧几里得数据的多尺度几何特征提取及应用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：摘要涉及通用几何特征与统计学习方法，未明确对应所给经济计量细分方向。
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
高维与非欧几里得数据的多尺度几何特征提取及应用
- 研究问题
- 如何从高维或非欧几里得数据点云中提取多尺度几何信息，并将这些信息用于分类、异常检测及后续统计分析？
- 方法与思路
- 作者依据几何考虑，将每对数据点映射为单位区间上的实值特征函数，再以这些函数的集合开展统计分析。
- 材料陈述的贡献
- 摘要称，文章提出并分析几何特征提取方法，以分类和异常检测展示潜力，并讨论与随机集、局部深度和非线性降维的联系。
- 阅读关注点
- 应核对特征函数的具体构造、尺度含义、所需空间结构，以及分类和异常检测应用中的比较设计与计算负担。
- 阅读边界
- 仅据版本未注明的索引摘要，无法确定理论保证、适用空间和应用效果；摘要未提供具体比较结果或计量经济学场景。
原文摘要
A method for extracting multiscale geometric features from a data cloud is proposed and analyzed. Based on geometric considerations, we map each pair of data points into a real-valued feature function defined on the unit interval. Further statistical analysis is then based on the collection of feature functions. The potential of the method is illustrated by different applications, including classification and anomaly detection. Connections to other concepts, such as random set theory, localized depth measures and nonlinear dimension reduction, are also explored.