利用小波散射网络对静态过程进行表示，获得更高阶矩并可用于区分具有相同傅立叶功率谱的纹理，对于手写数字和纹理判别任务取得了最先进的分类结果。

Mar, 2012

通过小波卷积和模运算，计算多阶调制谱系数，得到一种可以稳定处理时间扭曲的局部平移不变表示，可用于音乐类型和电话语音方面的分类，并取得了最新的分类结果。

Apr, 2013

本文介绍了在网络数据中使用多分辨率图形小波的散射变换，并证明了生成的散射变换对底层网络度量摄动的稳定性。这使得图形散射变换变得稳健，特别适用于转移学习、拓扑估计或时变图的情况。

Jun, 2019

该文通过波展分解和复模计算局部散射向量描述符，使用 PCA 模型选择进行监督分类，取得了手写数字识别和纹理分类的最先进结果。

Nov, 2010

我们分析应用于特征提取的深度卷积神经网络，如 Mallat 的小波散射变换中的能量衰减。我们的主要结果允许证明，在任意维度的小波散射中，泛型平方可积信号的散射变换的能量衰减可以是任意缓慢的。同时，我们得出积极的结果，允许得出与底层滤波器的频率局部化相适应的广义 Sobolev 空间的快速（指数级）能量衰减。负面和积极的结果都强调了散射网络中的能量衰减严重依赖于信号的频率局部化和所使用的滤波器之间的相互作用。

Jun, 2024

本文论述了通过扩展散射变换到非欧几里得域并使用扩散小波，可以在保持度量变化稳定性的同时，获取能够捕获类似于欧几里得散射的高频信息的稳定表征的研究。

Jun, 2018

通过多尺度不变字典和小波散射不变量等方法，可以更加高效地估算有机分子的量子化学能量。

May, 2016

本文探讨了散射矩提供了随机过程的非参数模型，散射矩通过应用小波变换和非线性模量来计算随机变量的期望值，能够揭示多尺度过程的间歇性和自相似性属性，是数据生成模型的重要参数估计方式。

Nov, 2013

本文介绍了一种基于仿射不变性和微分同胚稳定性的 Geometric Scattering Transform 方法，可以使卷积神经网络在流形和图结构领域中更具有普适性和稳定性。

May, 2019

本文提出了一种关于散射谱模型的方法，基于散射系数的协方差，通过旋转和缩放对物理场进行多尺度分析并得出其低维结构表达，这个通用的方法可以用于数据探索、分类、参数推断、对称检测和成分分离。

Jun, 2023