切片Wasserstein泛函估计达极小极大最优
热点事件持续更新
切片Wasserstein泛函估计达极小极大最优
1 篇报道1 个报道来源1 小时前更新
先了解这件事
AI 综述
Binh Thuan Tran 发表论文，研究 Powered Sliced Wasserstein 泛函的双样本估计。在投影 r 阶矩假设下，论文建立了非临界情形的极小极大速率：当 p<r<2p 时为 N^{-1/2}，当 r>2p 时同样为 N^{-1/2}；两种情形下，自然的 plug-in 估计量均达到该极小极大最优速率。
AI 根据报道生成 · 1 小时前更新
最新进展10月12日 12:00
Powered Sliced Wasserstein 泛函估计的 Minimax 速率报道时间线
沿着报道，了解事件的不同侧面。
10月12日
- arXiv stat.MLPowered Sliced Wasserstein 泛函估计的 Minimax 速率
研究在投影 r 阶矩假设下 Powered Sliced Wasserstein 泛函的双样本估计，建立了非临界情形下的 minimax 速率：当 p<r<2p 时为 N^{-1/2}，当 r>2p 时同样为 N^{-1/2}，两种情形下自然 plug-in 估计量均达到 minimax 最优。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。