ReLU integral probability metric and its applications
ReLU 积分概率度量及其应用AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确将该分布度量应用于因果推断的协变量平衡，其他应用未对应给定细分方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
ReLU 积分概率度量及其应用
- 研究问题
- 如何构造适用于高维分布比较、计算较便捷的积分概率度量，并将其用于因果推断中的协变量平衡等任务？
- 方法与思路
- 作者在单节点 ReLU 神经网络等参数化判别函数族上优化，定义分布差异度量，分析估计收敛并给出计算算法。
- 材料陈述的贡献
- 摘要称该度量可替代部分光滑非参数判别类的度量，具有理论保证，并在协变量平衡和公平表示学习中展示比较表现。
- 阅读关注点
- 应核对判别类的区分能力、收敛率所需条件与替代误差，以及协变量平衡改善如何转化为因果效应估计保证。
- 阅读边界
- 依据 arXiv 预印本摘要，同行评审及期刊接收未核实；摘要未给出具体收敛率或比较设置，不能据此认定普遍优越。
原文摘要
We propose a parametric integral probability metric (IPM) to measure the discrepancy between two probability measures. The proposed IPM leverages a specific parametric family of discriminators, such as single-node neural networks with ReLU activation, to effectively distinguish between distributions, making it applicable in high-dimensional settings. By optimizing over the parameters of the chosen discriminator class, the proposed IPM demonstrates that its estimators have good convergence rates and can serve as a surrogate for other IPMs that use smooth nonparametric discriminator classes. We present an efficient algorithm for practical computation, offering a simple implementation and requiring fewer hyperparameters. Furthermore, we explore its applications in various tasks, such as covariate balancing for causal inference and fair representation learning. Across such diverse applications, we demonstrate that the proposed IPM provides strong theoretical guarantees, and empirical experiments show that it achieves comparable or even superior performance to other methods.