论文提供了关于在 Wasserstein 损失下仅使用样本空间的测度性质和概率分布的弱矩假设，对于概率分布的估计的统计极小值率上下界的研究。

Feb, 2018

本文介绍了 Wasserstein 距离作为概率分布度量的数学概念，以及其在统计学中的重要应用，包括了弱收敛、矩收敛、概率分布扰动等内容。

Jun, 2018

通过随机目标函数的线性规划问题，实现有限点概率分布的经验 Wasserstein 距离的渐近分布，以方便进行统计推断（例如，基于样本的 Wasserstein 距离的置信区间）；该结果基于定向 Hadarmard 可微性，证明了经典引导法及其替代方法的失败。同时，该分布特性在两个数据集上得到了证明其实用性的验证。

Oct, 2016

本文利用基于投影健壮性的最优输运（OT）距离作为损失函数来研究参数推断，基于多维维度的视角建立了多个基本统计属性，提出了平均最优输运（IPRW）距离，并给出了复杂性界限和渐进保证。最后，在模型错误说明下给出了最小 PRW 估计量的两种渐进保证，并为具有投影维数大于 1 的 PRW 设计了新颖的变分分析和统计理论的组合。

Jun, 2020

研究了采用分布鲁棒优化方法（distributionally robust optimization，DRO）来推断个性化治疗规则（individualized treatment rules，ITRs）的估计器在新设置中的应用，包括 Wasserstein distance-based ambiguity characterizations 和其在目标人群中的理论表现的评估。这个方法在目标人群中优于传统的策略。

May, 2022

提出一种新的非参数假设检验框架，基于分布鲁棒优化，考虑接近经验分布的分布，旨在最小化最坏情况下的性能，具有较好的鲁棒性，应用于健康护理、在线变点检测和异常检测等领域，实验结果表明方法性能优越。

May, 2021

本文研究 Wasserstein 距离的问题，得出了关于概率测度的收敛速度的渐近结果和有限样本结果。结果表明，随着样本量 $n$ 的增加，测度可以呈现出不同的收敛速度。

Jul, 2017

本研究提出使用 Sinkhorn 散度来估计平方 Wasserstein 距离，其允许更高的正则化水平，从而导致改进的计算复杂度界限和实际的强加速。

Jun, 2020

本文研究表明多个机器学习评估器，包括平方根 LASSO 和正则化逻辑回归，可以表示为分布鲁棒优化问题的解决方案，其相关的不确定区域基于适当定义的 Wasserstein 距离。因此，我们的表示使我们能够将正则化视为引入人为对手的结果，该对手扰动经验分布以考虑损失估计中的样外效应。此外，我们引入了 RWPI（Robust Wasserstein Profile Inference），这是一种新颖的推断方法，它将启发式似然性方法的使用扩展到最优传输成本的设置中（其中 Wasserstein 距离是一个特殊情况）。我们使用 RWPI 展示如何最优地选择不确定性区域的大小，从而能够选择这些机器学习评估器的正则化参数，而不使用交叉验证。数值实验也给出了验证我们理论发现的结果。

Oct, 2016

给定一篇研究论文，提取五个关键词来准确表示其主要主题和研究领域，然后用一句简洁的中文句子对论文进行总结。

May, 2024