Dynamic Frechet Regression with Feature Selection for Distributional Data
面向分布型数据的动态Fréchet回归与特征选择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：摘要以分布值响应、分布轨迹与Wasserstein空间中的Fréchet均值为核心，直接对应分位数与分布效应方向；其余领域细分在摘要中缺乏文本依据。
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…
面向分布型数据的动态Fréchet回归与特征选择
- 研究问题
- 摘要关注的问题是：当响应不是标量或向量，而是随有序指标（如时间、深度）演化的概率分布轨迹时，如何建立标量预测变量与指标内变异及跨指标演化之间的关系。
- 方法与思路
- 作者提出动态Fréchet回归（DFR），在全局Fréchet回归基础上引入指标感知加权机制。每个指标处的预测定义为分布度量空间（如Wasserstein空间）中的加权Fréchet均值，权重同时依赖预测变量相似性与指标邻近性；并基于稀疏度量学习加入几何感知的特征选择。
- 材料陈述的贡献
- 摘要称DFR可在保持响应内在几何的同时实现指标特定的预测并跨邻近指标借力，其几何感知特征选择可在高维下识别驱动分布动态的预测变量，且不依赖欧氏系数。摘要称模拟研究显示预测精度与特征恢复优于现有方法，增材制造数据应用展示了可解释的指标特定分布预测。
- 阅读关注点
- 阅读全文时应核对：加权Fréchet均值的具体定义与权重形式、稀疏度量学习的优化与理论保证、模拟设计及对比方法、特征恢复的评价指标，以及增材制造应用的变量与数据来源。
- 阅读边界
- 仅凭摘要无法判断识别假设、估计量性质、理论结果、数值大小与稳健性，也无法核实与现有方法的比较是否公平。该文为arXiv预印本，未经同行评审，不能据此声称已被期刊接收。
原文摘要
Many scientific and engineering applications generate responses that are not scalars or vectors, but statistical objects whose form evolves over an ordered index such as time, depth. Probability distributions are a prominent example, capturing variability and uncertainty that cannot be summarized by low-dimensional statistics. When such responses are observed sequentially, the resulting dynamic distributional trajectories pose significant challenges for regression, particularly in relating scalar predictors to both within-index variability and cross-index evolution. We propose Dynamic Fréchet Regression (DFR), a framework for modeling index-dependent trajectories of distribution-valued responses. DFR extends Global Fréchet Regression by introducing an index-aware weighting mechanism. At each index, predictions are defined as weighted Fréchet means in a metric space of distributions (e.g., Wasserstein space), preserving the intrinsic geometry of the response. The weights depend jointly on predictor similarity and index proximity, enabling index-specific prediction while borrowing strength across neighboring indices. To improve interpretability in high-dimensional settings, DFR incorporates a geometry-aware feature selection approach based on sparse metric learning, which identifies predictors driving distributional dynamics without relying on Euclidean coefficients. Simulation studies show improved predictive accuracy and feature recovery over existing methods. An application to additive manufacturing data demonstrates its ability to produce interpretable, index-specific distributional predictions.