Wasserstein距离
概率论与最优传输理论中用于度量两个概率分布差异的距离度量，具有对分布几何结构敏感的优良性质，广泛用于生成模型的理论分析
时间轴 (近 90 天)
Wasserstein距离对分布支撑的几何位置敏感，在比较连续回答空间上的分布时尤为自然。
锐利的边际下界在回答空间中不连续，且不存在任何在Wasserstein距离下连续的、能在常数因子内接近该锐利下界的无标签下界。
从全局Wasserstein收敛角度看，α稳定生成模型与布朗生成模型没有根本性区别，稳定生成模型不会因使用Lévy过程而获得全局收敛速度上的优势。
在风险厌恶机器学习中，除了CVaR之外，还存在方差惩罚、Wasserstein距离约束以及分布鲁棒优化（DRO）等方法。
漂移检测算法一般通过统计检验（如 ADWIN、Page-Hinkley 检验）或分布距离度量（如 KL 散度、Wasserstein 距离）来监控变化。
研究引入了一种Wasserstein型的后验摘要方法，借助新设计的噪声感知损失函数将庞大的后验样本集合压缩为少量加权的代表性聚类
Wasserstein距离通过将聚类划分表示为概率测度并求解最优传输问题，绕过标签置换问题，度量将一种划分搬运成另一种划分所需的最小总代价
Wasserstein距离衡量将一个分布搬运成另一个分布所需的最小代价，代价大小由基础成本函数决定
2-Wasserstein 距离相比 KL 散度对分布支撑集的几何形状更敏感，即使两个分布支撑集不重叠也能给出有意义的有限距离值
2-Wasserstein距离定义为W₂(μ,ν)²为所有边际为μ和ν的耦合上最优传输代价的下确界
还有 8 条时间轴事件
全部知识事实 (18)
Wasserstein距离对分布支撑的几何位置敏感，在比较连续回答空间上的分布时尤为自然。
50%待验证锐利的边际下界在回答空间中不连续，且不存在任何在Wasserstein距离下连续的、能在常数因子内接近该锐利下界的无标签下界。
50%待验证从全局Wasserstein收敛角度看，α稳定生成模型与布朗生成模型没有根本性区别，稳定生成模型不会因使用Lévy过程而获得全局收敛速度上的优势。
50%待验证在风险厌恶机器学习中，除了CVaR之外，还存在方差惩罚、Wasserstein距离约束以及分布鲁棒优化（DRO）等方法。
50%待验证漂移检测算法一般通过统计检验（如 ADWIN、Page-Hinkley 检验）或分布距离度量（如 KL 散度、Wasserstein 距离）来监控变化。
50%待验证研究引入了一种Wasserstein型的后验摘要方法，借助新设计的噪声感知损失函数将庞大的后验样本集合压缩为少量加权的代表性聚类
50%待验证Wasserstein距离通过将聚类划分表示为概率测度并求解最优传输问题，绕过标签置换问题，度量将一种划分搬运成另一种划分所需的最小总代价
50%待验证Wasserstein距离衡量将一个分布搬运成另一个分布所需的最小代价，代价大小由基础成本函数决定
50%待验证2-Wasserstein 距离相比 KL 散度对分布支撑集的几何形状更敏感，即使两个分布支撑集不重叠也能给出有意义的有限距离值
50%待验证2-Wasserstein距离定义为W₂(μ,ν)²为所有边际为μ和ν的耦合上最优传输代价的下确界
50%待验证该论文的误差界对所有p≥1的Wasserstein-p距离成立，而非仅限于某个特定度量
50%待验证论文证明学习得到的生成分布在Wasserstein-p距离下满足有限样本误差界W_p ≲ n^(-1/d) + n^(-1/(2p))(log(1/ξ))^(1/(2p))
50%待验证数据漂移检测最初是机器学习领域的概念，检测方法包括统计检验（如Kolmogorov-Smirnov检验、卡方检验）、分布距离度量（如KL散度、Wasserstein距离）等
50%待验证Wasserstein距离即使在两个分布完全不重叠时也能提供有意义的梯度信号，缓解原始GAN训练中的模式崩溃和梯度消失问题
50%待验证一维Wasserstein-1距离等于两个累积分布函数之间面积的积分 W₁ = ∫|F_A(x) - F_B(x)|dx
50%待验证一维情况下Wasserstein距离有闭式解，只需排序即可，复杂度为O(n log n)
50%待验证Wasserstein距离是一个真正的度量，满足对称性和三角不等式，而KL散度不对称且在分布支撑不重叠时为无穷大
50%待验证切片Wasserstein距离（SWD）将高维分布随机投影到多个一维方向上，在每个方向上计算Wasserstein距离后取平均
50%