Distribution-on-distribution regression via optimal transport maps
通过最优传输映射进行分布对分布回归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：摘要研究以分布为观测对象的通用回归，未明确研究分位数或分布处理效应，故不强行归入微观分布效应方向。
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
通过最优传输映射进行分布对分布回归
- 研究问题
- 当解释变量与响应变量都是紧区间上的概率分布时，如何建立可估计的回归关系，并处理分布对的完整与部分观测？
- 方法与思路
- 作者利用最优传输映射连接解释分布与响应分布的条件Fréchet均值，定义Fréchet最小二乘估计，并转化为标准凸优化。
- 材料陈述的贡献
- 摘要称，估计映射在完整及部分观测下具有一致性和收敛率，其计算可归结为凸优化，并通过模拟和真实数据展示方法。
- 阅读关注点
- 应核对分布空间的度量、回归映射的识别条件、部分观测机制，以及理论误差如何区分分布估计误差和回归估计误差。
- 阅读边界
- 仅据所给Crossref摘要，无法判断具体收敛率及观测要求；该方法针对紧区间上的分布对象，摘要未赋予其因果效应解释。
原文摘要
Summary We present a framework for performing regression when both covariate and response are probability distributions on a compact interval. Our regression model is based on the theory of optimal transportation, and links the conditional Fréchet mean of the response to the covariate via an optimal transport map. We define a Fréchet-least-squares estimator of this regression map, and establish its consistency and rate of convergence to the true map, under both full and partial observations of the regression pairs. Computation of the estimator is shown to reduce to a standard convex optimization problem, and thus our regression model can be implemented with ease. We illustrate our methodology using real and simulated data.