Self-Modelling Warping Functions
自建模变形函数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：摘要研究函数型数据的共同变形成分，未提供宏观或金融因子模型、面板数据等细分依据。
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
自建模变形函数
- 研究问题
- 在函数型数据中，如何用从个体数据共同估计的少量成分表示变形函数，使模型保持灵活并支持可解释的统计分析？
- 方法与思路
- 作者提出半参数模型，将变形函数写成若干共同成分的线性组合，通过跨个体汇集数据估计成分，并利用成分得分推断。
- 材料陈述的贡献
- 摘要称少量共同成分即可提供接近非参数方法的灵活性，跨个体估计有助于避免过拟合，成分得分还可用于分类。
- 阅读关注点
- 应核对变形函数的约束与模型识别、共同成分及其数量的估计方式，以及灵活性、过拟合和得分解释的具体证据。
- 阅读边界
- 仅据所给 Crossref 摘要；识别条件、成分数量选择和验证结果未说明，不能将避免过拟合或得分可解释性视为普遍保证。
原文摘要
Summary The paper introduces a semiparametric model for functional data. The warping functions are assumed to be linear combinations of q common components, which are estimated from the data (hence the name ‘self-modelling’). Even small values of q provide remarkable model flexibility, comparable with nonparametric methods. At the same time, this approach avoids overfitting because the common components are estimated combining data across individuals. As a convenient by-product, component scores are often interpretable and can be used for statistical inference (an example of classification based on scores is given).