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

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

本文提出了一种基于密度泛函理论的分子性质预测机器学习算法，利用高斯型轨道函数创建分子的代理电子密度，并计算不变的 “固体谐波散射系数”，由此对不同尺度下的不同类型相互作用进行建模，并通过多线性回归计算出分子的各种物理性质，此算法在小型数据集方面已达到接近 DFT 预测精度，同时非常可解释。

May, 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

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

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

本文构建了 L2 (R^d) 上的平移不变算子，并证明了其对于相应微分同胚的 Lipshitz 连续性；同时，提出了散射算子的概念，并将其应用于频率分布不同的过程的辨别；最终，将散射算子扩展到了 L2 (G) 上，并成功定义了平移旋转不变的散射算子。

Jan, 2011

通过计算基于小波卷积和模量非线性的联合时频散射变换，作者提出了一种具有时间平移不变性的信号表示方法，并且通过应用于鸣号信号和音频综合实验，证明了其适用于时序分类问题，并且在音频分类任务中获得了与全连接网络可比的高准确率。

Jul, 2018

通过结合机器学习技术和基于物理推理的方法，本文引入一系列可能的高斯过程模型，以提高基于有限数据的预测模型建立能力。这些方法可以显著减少对数据收集的依赖，并增强模型的可解释性。

Sep, 2023

本文结合 Mallat 的散射变换框架和时频 (Gabor) 表征，提出一种特征提取器的构建方法，并证明该方法满足传统的散射变换属性。同时，引入快速傅里叶散射变换算法，并发展了相应的时频覆盖技术，以便更好地分析散射变换。

Jun, 2016