Arturo Jaramillo

新的Max-D-SW距离增强了用于模式识别的多维缩放

本文介绍了一种Max-D-SW，它是Max-Sliced Wasserstein距离的调整版本，旨在改进用于模式识别的多维缩放（MDS）。Max-D-SW在标准正交基上聚合贡献，与原始公式相比具有数值优势，尤其是在处理重尾分布时。该研究还建立了样本复杂度界限，表明Max-D-SW在统计上是可处理的，并且改进的样本复杂度并不总是能保证更好的MDS性能。