On Bridging Mixture Distributions
混合分布之间的桥接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：摘要研究概率分布桥接、最优传输与估计稳定性，没有所列经济或金融细分的明确对象。
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…
关注这篇论文的作者
混合分布之间的桥接
- 研究问题
- 如何从混合分量之间的 Markov 桥与标签耦合构造混合分布桥，并刻画高斯混合参数估计对桥接近似稳定性的影响？
- 方法与思路
- 作者在扩展状态空间构造混合桥，用逆坐标下的 Riccati 固定点表示分析高斯桥稳定性，再应用于三类估计方案。
- 材料陈述的贡献
- 摘要称混合桥继承分量桥的熵最优性，并给出真实桥与代入近似的 $2$-Wasserstein 连续性及三类估计误差界。
- 阅读关注点
- 应核对标签耦合与熵最优性的条件、连续性定理，以及各误差界所用损失、概率口径和对 d、N、ε 的限制。
- 阅读边界
- 仅据 arXiv v2 预印本摘要，不能声称已同行评审或期刊接收；定理条件及误差界适用范围未完整说明，不能外推其他版本。
原文摘要
The construction and the stability of bridges between mixture probability measures are investigated. Given a collection of Markov transitions bridging the components of two mixtures, together with a coupling of the mixture labels, we construct a bridge between the mixtures on an extended state space, and we show that this bridge inherits the entropic optimality of the component bridges. We then turn to Gaussian mixtures bridged by Gaussian Schrödinger bridges, whose parameters are generally unknown and must be estimated. We prove a $2$-Wasserstein continuity theorem between the exact bridge and its plug-in approximation. The analysis rests on a representation of the Riccati fixed point map in inverse coordinates; this map is globally $1$-Lipschitz and requires no matrix inversion. These results are applied to three estimation schemes, with $d$ the dimension and $N$ the number of samples. For Gaussian mixtures estimated by the Expectation-Maximization algorithm, the squared $2$-Wasserstein error is of order $(d\log N/N)^{1/2}+d^2\log N/N$ with probability at least $1-10N^{-1}$. For single Gaussian marginals estimated by their sample moments, it is of order $d^2/N$ in expectation. For the regularized empirical Monge map based on an $ε$-inflation of the sample covariance, the mean squared error is of order $d^2\{(1+ε^{-1})/N+ε^2\}$; as soon as $N$ is a sufficiently large multiple of $d$, it reduces to $d^2/N+d\,ε^2$, up to an exponentially small term. These estimates are illustrated numerically.