DFNN: A Deep Fréchet Neural Network Framework for Learning Metric-Space-Valued Responses
DFNN：学习度量空间值响应的深度弗雷歇神经网络框架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：分布和网络在摘要中是一般预测响应对象，未明确涉及经济分布效应或主体间网络干扰。
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
DFNN：学习度量空间值响应的深度弗雷歇神经网络框架
- 研究问题
- 如何从欧氏预测变量预测分布、网络、组成等非欧氏响应，并为这类深度回归提供逼近与泛化理论？
- 方法与思路
- 作者通过最小化弗雷歇风险训练深度神经网络，用其表示学习能力逼近度量空间响应的条件弗雷歇均值。
- 材料陈述的贡献
- 摘要称，文章建立通用逼近定理、泛化保证和风险界，并在合成及真实数据实验中报告优于所比较方法的表现。
- 阅读关注点
- 应核对度量空间及网络构造的条件、条件均值的存在与唯一性、风险界适用范围，以及实验涵盖的比较方法。
- 阅读边界
- 材料为 arXiv v2 预印本，不能据此声称已同行评审或期刊接收；摘要未说明定理条件，首次性及全面优越性主张未获独立核验。
原文摘要
Regression with non-Euclidean responses---e.g., probability distributions, networks, symmetric positive-definite matrices, and compositions---has become increasingly important in modern applications. In this paper, we propose deep Fréchet neural networks (DFNNs), an end-to-end deep learning framework for predicting non-Euclidean responses---which are considered as random objects in a metric space---from Euclidean predictors. Our method utilizes the representation-learning power of deep neural networks (DNNs) to the task of approximating conditional Fréchet means of the response given the predictors, the metric-space analogue of conditional expectations, by minimizing a Fréchet risk. The framework is highly flexible, accommodating diverse metrics and high-dimensional predictors. We establish a universal approximation theorem for DFNNs, advancing the state-of-the-art of neural network approximation theory to general metric-space-valued responses, without making model assumptions or relying on local smoothing. We further establish rigorous generalization guarantees for DFNNs and derive corresponding risk bounds, providing, to the best of our knowledge, the first such theoretical results for deep learning regression with metric-space-valued responses. Empirical studies on synthetic distributional and network-valued responses, as well as real-world applications to predicting compositional responses in an Aitchison simplex and spherical responses, demonstrate that DFNNs consistently outperform all existing methods.