Plugin estimation of smooth optimal transport maps
光滑最优输运映射的插件估计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。
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：摘要讨论一般最优输运与分布距离，没有直接研究经济分布效应或其他所列细分问题。
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…
光滑最优输运映射的插件估计
- 研究问题
- 如何从两个分布的观测构造最优输运映射估计，使其适应不同光滑程度，并为二次 Wasserstein 距离提供统计推断？
- 方法与思路
- 作者计算经验测度或非参数密度估计之间的最优耦合并延拓为函数，通过光滑且强凸 Brenier 势的稳定性分析估计风险。
- 材料陈述的贡献
- 摘要称，若干映射估计达到极小极大最优，高光滑性允许更快速率；同时给出距离风险界与以总体距离平方为中心的中心极限定理。
- 阅读关注点
- 应核对映射与密度的光滑性条件、耦合延拓和密度估计方案、维度对速率的影响，以及总体中心化极限定理的成立范围。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；具体速率、分布支持与光滑性门槛未说明，不能将距离推断结果推广至任意分布。
原文摘要
We analyze a number of natural estimators for the optimal transport map between two distributions and show that they are minimax optimal. We adopt the plugin approach: our estimators are simply optimal couplings between measures derived from our observations, appropriately extended so that they define functions on Rd. When the underlying map is assumed to be Lipschitz, we show that computing the optimal coupling between the empirical measures, and extending it using linear smoothers, already gives a minimax optimal estimator. When the underlying map enjoys higher regularity, we show that the optimal coupling between appropriate nonparametric density estimates yields faster rates. Our work also provides new bounds on the risk of corresponding plugin estimators for the quadratic Wasserstein distance, and we show how this problem relates to that of estimating optimal transport maps using stability arguments for smooth and strongly convex Brenier potentials. As an application of our results, we derive central limit theorems for plugin estimators of the squared Wasserstein distance, which are centered at their population counterpart when the underlying distributions have sufficiently smooth densities. In contrast to known central limit theorems for empirical estimators, this result easily lends itself to statistical inference for the quadratic Wasserstein distance.