Trimmed Comparison of Distributions
分布的修剪比较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：摘要直接研究分布差异的比较，以修剪后的Wasserstein距离衡量分布相似性。
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…
分布的修剪比较
- 研究问题
- 比较两个分布的相似性时，如何通过数据驱动的修剪寻找最相似的保留部分，而非仅删除尾部观测来减轻异常值影响？
- 方法与思路
- 作者将稳健统计中的无偏向修剪方法用于分布比较，寻找使相似性最大的修剪分布，并以其L2-Wasserstein距离衡量差异。
- 材料陈述的贡献
- 摘要将优化分布相似性的修剪规则作为主要创新，提供与既有方法比较的示例，并给出支持应用的相关渐近结果。
- 阅读关注点
- 应核对允许的修剪比例与约束、优化解的定义，以及修剪后距离所表达的相似性和渐近推断是否考虑修剪选择过程。
- 阅读边界
- 仅据OpenAlex索引摘要，稿件版本未注明。摘要未列具体渐近结论或修剪比例选择方法；保留部分相似不能直接代表原始总体分布相同。
原文摘要
This article introduces an analysis of similarity of distributions based on the L2-Wasserstein distance between trimmed distributions. Our main innovation is the use of the impartial trimming methodology, already considered in robust statistics, which we adapt to this setup. Instead of simply removing data at the tails to provide some robustness to the similarity analysis, we develop a data-driven trimming method aimed at maximizing similarity between distributions. Dissimilarity is then measured in terms of the distance between the optimally trimmed distributions. We provide illustrative examples showing the improvements over previous approaches and give the relevant asymptotic results to justify the use of this methodology in applications.