Haar

Haar 小波是一类结构最简单的正交小波，由数学家 Alfréd Haar 于 20 世纪初提出，用分段常值函数实现信号的多尺度分解，是图像压缩、近似计算和时序分析中的基础工具。近期它在机器学习领域重新受到关注，尤其在大规模向量检索的近似内积计算和时间序列异常检测中出现了多项新应用。

Haar 小波近期进展

SETAREH：基于Haar小波的排序辅助稀疏化方法，用于近似内积计算：该工作利用 Haar 小波变换对高维向量进行多尺度分解，再结合排序信息进行稀疏化，以降低近似内积计算的开销，面向检索和推荐等大规模相似度计算场景。

CRAFTIIF：多变量时间序列异常检测的跨分辨率可解释隔离森林：这项研究将跨分辨率分析引入隔离森林框架，借助多尺度分解思路处理多变量时间序列，在异常检测中兼顾可解释性与检测效果，与 Haar 类多尺度方法在技术路线上相近。

其他相关 arXiv 研究（如关于平面单位距离的组合几何与 Fuchsian 群的 II$_{1}$ 因子研究）虽不直接涉及 Haar 小波，但反映了当前 arXiv 上数学与机器学习交叉方向的活跃状态。

当前围绕 Haar 的讨论主要集中在两个方面：一是计算效率，即如何用 Haar 变换的低复杂度特性加速向量检索中的内积近似，SETAREH 代表了这一方向；二是多尺度表示，即将 Haar 类分解嵌入异常检测、信号压缩等任务，以捕捉不同分辨率下的结构特征。

值得观察的是，Haar 小波因其阶梯状的不连续性，在平滑信号建模上存在局限，近年来研究更多以它为快速、轻量的基线，再与学习方法结合。它能在大模型时代的检索与时序任务中占据多大空间，取决于这类稀疏化和多尺度方案在精度与成本之间的权衡能否持续兑现。