本文介绍了一种调整后的 Wasserstein 距离，称为 Max-D-SW，旨在改进用于模式识别的多维尺度分析 (MDS)。Max-D-SW 方法聚合了来自标准正交基的贡献，与原始 Max-Sliced Wasserstein 距离相比，在数值上具有优势，尤其是在处理重尾分布时。研究还提供了样本复杂度界限，证明 Max-D-SW 在统计上是可管理的，并且可以达到与其前身相当的速率。然而，研究指出，度量的样本复杂度提高并不总能保证在 MDS 中使用时获得更好的性能。 AI
排序理由 该条目描述了研究论文中提出的一种新方法。[lever_c_demoted from research: ic=1 ai=0.4]
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
