Distributional Matrix Completion via Nearest Neighbors in the Wasserstein Space
通过 Wasserstein 空间近邻进行分布矩阵补全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：摘要主要研究通用分布矩阵补全，分布特征和金融相关数据示例不足以确定所列经济学细分方向。
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…
通过 Wasserstein 空间近邻进行分布矩阵补全
- 研究问题
- 当矩阵条目记录的是稀疏观测的经验分布时，如何恢复已观测与未观测条目的真实分布，并估计标准差或风险价值等分布特征？
- 方法与思路
- 作者借助最优传输将近邻方法扩展到分布空间，在概率分布的潜在因子模型下研究 Wasserstein 恢复，并分析一维分布重心的渐近性质。
- 材料陈述的贡献
- 摘要称，方法具有 Wasserstein 恢复结果，模拟展示分布估计与异方差处理能力，并以季度盈利预测分布数据展示应用。
- 阅读关注点
- 应核对潜在因子模型、稀疏观测机制与近邻距离构造，以及恢复误差如何依赖样本量，并区分整体分布恢复与尾部量估计的保证。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要未说明缺失机制及恢复条件，也不能据整体距离保证直接推断尾部估计精度。
原文摘要
We study the problem of distributional matrix completion: Given a sparsely observed matrix of empirical distributions, we seek to impute the true distributions associated with both observed and unobserved matrix entries. This is a generalization of traditional matrix completion, where the observations per matrix entry are scalar-valued. To do so, we utilize tools from optimal transport to generalize the nearest neighbors method to the distributional setting. Under a suitable latent factor model on probability distributions, we establish that our method recovers the distributions in the Wasserstein metric. We demonstrate through simulations that our method (i) provides better distributional estimates for an entry compared to using observed samples for that entry alone, (ii) yields accurate estimates of distributional quantities such as standard deviation and value-at-risk, and (iii) inherently supports heteroscedastic distributions. In addition, we demonstrate our method on a real-world dataset of quarterly earnings prediction distributions. We also prove novel asymptotic results for Wasserstein barycenters over one-dimensional distributions.