标签
该论文提出带误差证书的切片 Wasserstein 草图方法，通过一维最优加权 MM-原子量化并扩展到高维切片，将平方距离误差精确分解为残差与分区不匹配项，从而为任意质心草图提供可计算的误差保证，在文档、点云和流式细胞术基准上以更少存储保持了原始切片距离的分类性能。
该论文提出了垂直切片瓦瑟斯坦距离（VSW），这是一种用于比较元测度（分布的分布）的可扩展度量。论文证明了其为有效度量，并具有与维度无关的统计收敛保证，在效率和精度上均优于现有方法。
介绍TopoTuner，一种拓扑引导的微调框架，通过持续图之间的Wasserstein距离测量拓扑漂移，从而选择性冻结注意力投影矩阵。该框架在仅训练1-2%参数的情况下，性能与全微调相当，并在大多数设置中优于LoRA。
提出学习预测性模糊集（LPAS）用于分布鲁棒优化，其中深度上下文模型输出名义情景分布、状态依赖的Wasserstein半径和基础度量，并通过决策损失和校准进行训练。应用于S&P 500数据的投资组合优化，该方法实现了更高的回报和夏普比率，同时相比于固定半径基线减少了保守性。