mmd

USAD提出了两种新的统计量：方差差异（Variance Discrepancy）和基于扰动的协方差差异（Perturbation-based Covariance Discrepancy），用于捕捉对抗样本的全局和局部不确定性模式，相较于基线方法实现了更优越的检测性能。

本文介绍了Wasserstein空间中的凸差规划框架，用于优化概率测度上的非凸泛函，给出了最大均值差异（MMD）和能量距离（ED）的显式分解，并证明了提升的凸凹过程的收敛性。

矩匹配Q学习（MoMa QL）利用最大均值差异来匹配所有阶矩统计量，实现离线强化学习中的分布级收敛，在D4RL任务上兼具计算效率和强劲性能。

本文开发了一种用于测试时自适应的PAC-贝叶斯框架，该框架使用MMD球作为信度集，提供了形式化的泛化界，并在分布偏移下区分认知不确定性与偶然不确定性。