End-to-End Deep Learning for Predicting Metric Space-Valued Outputs
端到端深度学习预测度量空间取值输出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：摘要聚焦度量空间取值输出的深度学习预测方法与理论，未涉及因果推断、面板、离散选择、时间序列、资产定价等所列计量领域细分，故不选择任何细分方向。
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…
关注这篇论文的作者
端到端深度学习预测度量空间取值输出
- 研究问题
- 摘要称，许多现代应用需要预测概率分布、网络、对称正定矩阵等结构化、非欧几里得输出，这些输出可建模为一般度量空间中的元素，而依赖向量空间结构的经典回归方法不再适用；研究问题是如何在此类输出空间上直接进行几何感知的预测。
- 方法与思路
- 作者提出 E2M（端到端度量回归）框架，通过对训练输出做加权 Fréchet 均值进行预测，权重由以输入为条件的神经网络学习得到；摘要称该构造避免替代嵌入与限制性参数假设，并保留输出空间的内在几何，同时给出通用逼近定理与熵正则化训练目标的收敛性分析。
- 材料陈述的贡献
- 摘要明确陈述的贡献包括：提出无需替代嵌入、保留输出空间内在几何的端到端度量回归框架；建立通用逼近定理以刻画模型表达能力，并对熵正则化训练目标给出收敛性分析；在概率分布、网络与对称正定矩阵的模拟中报告了持续的最优表现，并应用于人类死亡分布与纽约市出租车网络。
- 阅读关注点
- 阅读全文时应核对：加权 Fréchet 均值的具体定义与可计算性、权重网络的训练细节与熵正则化的作用、通用逼近定理与收敛性分析所依赖的假设、模拟中对比方法与评价指标、样本量增大时优势更明显的证据，以及两个实际应用的数据来源与处理方式。
- 阅读边界
- 仅凭摘要无法判断定理的假设强度、证明正确性、模拟与应用的实现细节及可复现性；摘要所称“持续达到最优表现”属作者陈述，未经独立验证。该文为 arXiv 预印本，不能据此声称已经同行评审或期刊接收。
原文摘要
Many modern applications involve predicting structured, non-Euclidean outputs such as probability distributions, networks, and symmetric positive-definite matrices. These outputs are naturally modeled as elements of general metric spaces, where classical regression techniques that rely on vector space structure no longer apply. We introduce E2M (End-to-End Metric regression), a deep learning framework for predicting metric space-valued outputs. E2M performs prediction via weighted Fréchet means over training outputs, where the weights are learned by a neural network conditioned on the input. This construction provides a principled mechanism for geometry-aware prediction that avoids surrogate embeddings and restrictive parametric assumptions, while fully preserving the intrinsic geometry of the output space. We establish theoretical guarantees, including a universal approximation theorem that characterizes the expressive capacity of the model and a convergence analysis of the entropy-regularized training objective. Through extensive simulations involving probability distributions, networks, and symmetric positive-definite matrices, we show that E2M consistently achieves state-of-the-art performance, with its advantages becoming more pronounced at larger sample sizes. Applications to human mortality distributions and New York City taxi networks further demonstrate the flexibility and practical utility of this framework.