Wasserstein generative regression
Wasserstein 生成式回归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：摘要讨论一般回归与条件分布学习，未明确分位数、分布效应或所列宏观和金融预测问题。
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…
Wasserstein 生成式回归
- 研究问题
- 如何在同一非参数学习框架中估计回归函数与条件分布，并处理多元响应和协变量、构造预测区间？
- 方法与思路
- 作者用深度神经网络表示条件生成器，并要求生成器产生良好的回归函数估计，从而联合学习回归与条件分布。
- 材料陈述的贡献
- 摘要称，在适当假设下建立非渐近误差界和分布一致性，并通过数值实验展示方法在若干情景中的有效性和相对优势。
- 阅读关注点
- 应核对 Wasserstein 准则、回归约束和网络复杂度如何设定，以及误差界、分布一致性与预测区间覆盖的关系。
- 阅读边界
- 仅依据所给 Crossref 摘要；具体假设、误差率、区间覆盖保证及比较结果未说明，不能将实验优势推广至所有任务。
原文摘要
Abstract In this paper, we propose a new and unified approach for nonparametric regression and conditional distribution learning. Our approach simultaneously estimates a regression function and a conditional generator using a generative learning framework, where a conditional generator is a function that can generate samples from a conditional distribution. The main idea is to estimate a conditional generator satisfying the constraint that it produces a good regression function estimator. We use deep neural networks to model the conditional generator. Our approach can handle problems with multivariate outcomes and covariates, and can be used to construct prediction intervals. We provide theoretical guarantees by deriving nonasymptotic error bounds and the distributional consistency of our approach under suitable assumptions. We perform numerical experiments to demonstrate the effectiveness and superiority of our approach over some existing approaches in various scenarios.