Статистические данные > Расчеты. Настоящий документ был снят с рассмотрения группой Minh-Ngoc Tran Abstract: Мы идентифицируем два важных подкласса пространства Вассерштейн, для которого схема РГР гарантирована сближением, что создает новые теоретические основы для оптимизации методов отбора проб в измерительных пространствах. Для практической реализации мы создаем алгоритм WGD на основе частиц, в котором функция оценки оценивается путем сопоставления баллов. С помощью серии цифровых экспериментов мы продемонстрируем, что РГР может обеспечить хорошее приближение к различным сложным целевым показателям распределения, включая те из них, которые создают значительные проблемы для стандартных методов МКМК и паразитарных вариаций Bayes. Эти результаты свидетельствуют о том, что РГР предлагает многообещающую и гибкую альтернативу масштабируемому Байесианскому прогнозированию в высокомерных или мультимодальных конфигурациях. [Представлено 3 февраля 2026 года (v1), последний раз пересмотрен 8 октября 20-26 года (эта версия v2)) Название: " О конвергенции спектрального происхождения Вассерштейна для отбора проб без доступа к PDF > , нажатие на другие форматы резюме: Настоящий документ изучает оптимистику функционального KL на пространстве вероятностного измерения Вассерстейн и разрабатывает систему выборки на основе градиентного спуска Вассерстаина (РГД). Мы идентифицируем два важных подкласса пространства Вассерштейн, для которого схема РГР гарантирована сближением, что…
О сближении происхождения Вассерштейна для отбора проб
arXiv:2602.034313v2 Annualce Type: заменить резюме: Настоящий документ изучает оптимизацию функционального KL на пространстве Васерштейна для измерения вероятности и разрабатывает систему выборки, основанную на градиентном спуске Вассерстейн (РГД). Мы идентифицируем два важных подкласса пространства Вассерштейн, для которого схема РГР гарантирована сближением, что создает новые теоретические основы для оптимизации методов отбора проб в измерительных пространствах. Для практической реализации мы создаем алгоритм WGD на основе частиц, в котором функция оценки оценивается путем сопоставления баллов. С помощью серии цифровых экспериментов мы продемонстрируем, что РГР может обеспечить хорошее приближение к различным сложным целевым показателям распределения, включая те из них, которые создают значительные проблемы для стандартных методов МКМК и паразитарных вариаций Bayes. Эти результаты свидетельствуют о том, что РГР предлагает многообещающую и гибкую альтернативу для масштабируемого байесианского вывода в высокомерных или мультимодальных конфигурациях.
