Triogram Models
Triogram：自适应三角剖分模型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：摘要讨论一般二元函数与密度估计，未涉及所列分布效应、结构估计或其他经济计量方向。
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…
Triogram：自适应三角剖分模型
- 研究问题
- 如何在平面多边形区域上灵活估计二元函数，并使函数估计程序能够适应数据结构且保持仿射变换不变性？
- 方法与思路
- 作者基于自适应构造的三角剖分使用分片线性二元样条，展示二元回归与对数密度估计中的应用。
- 材料陈述的贡献
- 摘要称，整个估计程序具有仿射不变性，适合多边形预测变量区域，并可用于扩展线性模型及多变量中的双因素交互。
- 阅读关注点
- 应核对三角剖分的更新准则、复杂度控制与边界处理，以及仿射不变性的实现和双因素交互扩展的细节。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；示例仅涉及二元函数，摘要未给出误差理论或扩展结果，不能推断刊本变化。
原文摘要
In this article we introduce the Triogram method for function estimation using piecewise linear, bivariate splines based on an adaptively constructed triangulation. We illustrate the technique for bivariate regression and log-density estimation and indicate how our approach can be applied directly to model bivariate functions in the broader context of an extended linear model. The entire estimation procedure is invariant under affine transformations and is a natural approach for modeling data when the domain of the predictor variables is a polygonal region in the plane. Although our examples deal exclusively with estimating bivariate functions, the use of Triograms for modeling two-factor interactions in analysis of variance decompositions of functions depending on more than two variables is straightforward.