Monte Carlo sampling in dual space for approximating the empirical halfspace distance
在对偶空间中用蒙特卡洛抽样近似经验半空间距离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：摘要研究一般多元分布距离的计算与推断，未涉及经济分布效应、金融风险或其他给定细分方向。
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
在对偶空间中用蒙特卡洛抽样近似经验半空间距离
- 研究问题
- 多元样本之间的半空间距离计算具有较高组合复杂度时，如何构造快速且依赖数据的近似，以支持检验和重抽样？
- 方法与思路
- 作者引入对偶测度，借助几何构造将距离计算转化为对偶空间中的密度估计问题，并采用蒙特卡洛抽样进行近似。
- 材料陈述的贡献
- 摘要称，论文提出上述计算转化，推导经验半空间距离的中心极限定理，并用其作为与传统随机搜索比较的尺度。
- 阅读关注点
- 应核对对偶测度和抽样分布的定义、近似误差与样本误差的关系，以及中心极限定理条件和随机搜索比较方式。
- 阅读边界
- 仅据版本未注明的 OpenAlex 索引摘要；算法成本、误差界及比较结果未说明，不能声称高维下普遍更快或更准，也不能推断刊本变化。
原文摘要
The Kolmogorov-Smirnov distance is an important tool for constructing confidence sets and tests in univariate problems. In multivariate settings, an analogous role is played by the halfspace distance, which has the merit of being invariant under linear transformations. However, the evaluation of the halfspace distance between two samples is a computationally very intensive combinatorial problem even in moderate dimensions, which severely restricts the use of the halfspace distance, especially in resampling procedures. To approximate this distance in a fast and data-dependent way, the notion of a dual measure is introduced. Based on geometric concepts, it will be shown how the above problem can be put as a density estimation problem using Monte Carlo sampling in a certain dual space. A central limit theorem for the empirical halfspace distance is derived and used as a gauge to compare the new procedure with a traditional random search.