Estimating and depicting the structure of a distribution of random functions
随机函数分布结构的估计与展示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：摘要属于函数型数据与一般分布结构分析，未明确对应经济分布效应或其他所列细分。
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
随机函数分布结构的估计与展示
- 研究问题
- 对于函数空间等可能无限维的样本空间，如何非参数地推断分布结构，并以便于展示的对象描述其众数和密度上升路径？
- 方法与思路
- 作者采用函数型迭代数据锐化算法，以众数和密度最陡上升曲线在样本空间中的投影描述结构，使上升线保持为单参数对象。
- 材料陈述的贡献
- 摘要提出一种分布结构推断与展示方法，强调众数始终是样本空间中的点，上升线始终为单参数结构，因此较易进行图形呈现。
- 阅读关注点
- 应核对函数型密度如何定义、空间距离与平滑参数如何选择，以及迭代算法的收敛性、众数稳定性和上升线的可解释性。
- 阅读边界
- 仅据版本未注明的 OpenAlex 摘要；无限维密度的定义、算法条件及估计误差未说明，不能据展示便利性判断统计有效性。
原文摘要
We suggest a nonparametric approach to making inference about the structure of distributions in a potentially infinite‐dimensional space, for example a function space, and displaying information about that structure. It is suggested that the simplest way of presenting the structure is through modes and density ascent lines, the latter being the projections into the sample space of the curves of steepest ascent up the surface of a functional‐data density. Modes are always points in the sample space, and ascent lines are always one‐parameter structures, even when the sample space is determined by an infinite number of parameters. They are therefore relatively easily depicted. Our methodology is based on a functional form of an iterative data‐sharpening algorithm.