新论文详细介绍了 Wasserstein-p 距离中度量结构化近似方法

本文探讨了如何使用结构化方法近似概率度量，特别是在 Wasserstein-p 距离内。研究重点关注其在机器学习、成像和传感器约束测量中的应用。主要发现包括：利用 Bogovskii 定理和 Benamou-Brenier 最优传输公式，将 L_p(Omega) 中的近似方案线性速率转移到 W_p(Omega) 中的度量，适用于远离零的有界密度。论文还提出了离散近似的确定性界限，表明紧支撑度量可以为其 Wasserstein-p 距离近似实现 O(N^{-1/d}) 的最优量化器速率。 AI

影响 这项研究推进了度量近似的理论理解，有可能改进机器学习和数据分析中的算法。

排序理由 该集群包含一篇详细介绍机器学习和统计学理论研究的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

• arXiv
• Benamou--Brenier
• Bogovskii
• Keaton Hamm
• Lp("Omega")
• Omega
• Voronoi partitions
• Wasserstein-p distance

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →