Buchumschlag

Two-sample Test using Projected Wasserstein Distance

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wang, Jie, Gao, Rui, Xie, Yao
Format:	Preprint
Veröffentlicht:	2020
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Statistical and Computational Guarantees of Kernel Max-Sliced Wasserstein Distances
von: Wang, Jie, et al.
Veröffentlicht: (2024)

Non-Convex Robust Hypothesis Testing using Sinkhorn Uncertainty Sets
von: Wang, Jie, et al.
Veröffentlicht: (2024)

Variable Selection for Kernel Two-Sample Tests
von: Wang, Jie, et al.
Veröffentlicht: (2023)

Markovian Sliced Wasserstein Distances: Beyond Independent Projections
von: Nguyen, Khai, et al.
Veröffentlicht: (2023)

Tree-Sliced Wasserstein Distance with Nonlinear Projection
von: Tran, Thanh, et al.
Veröffentlicht: (2025)

Fast Gradient Computation for Gromov-Wasserstein Distance
von: Zhang, Wei, et al.
Veröffentlicht: (2024)

Fast Estimation of Wasserstein Distances via Regression on Sliced Wasserstein Distances
von: Nguyen, Khai, et al.
Veröffentlicht: (2025)

Relative Translation Invariant Wasserstein Distance
von: Wang, Binshuai, et al.
Veröffentlicht: (2024)

Regularization for Adversarial Robust Learning
von: Wang, Jie, et al.
Veröffentlicht: (2024)

Sinkhorn Distributionally Robust Optimization
von: Wang, Jie, et al.
Veröffentlicht: (2021)

An Empirical Study of Self-supervised Learning with Wasserstein Distance
von: Yamada, Makoto, et al.
Veröffentlicht: (2023)

Distance-Matrix Wasserstein Statistics for Scalable Gromov--Wasserstein Learning
von: Xu, Ao, et al.
Veröffentlicht: (2026)

Private Wasserstein Distance
von: Li, Wenqian, et al.
Veröffentlicht: (2024)

The Observable Wasserstein Distance
von: Santos, Edivaldo Lopes dos, et al.
Veröffentlicht: (2026)

Towards Better Spherical Sliced-Wasserstein Distance Learning with Data-Adaptive Discriminative Projection Direction
von: Zhang, Hongliang, et al.
Veröffentlicht: (2024)

Feature Selection Based on Wasserstein Distance
von: Li, Fuwei
Veröffentlicht: (2024)

Distance-Based Tree-Sliced Wasserstein Distance
von: Tran, Hoang V., et al.
Veröffentlicht: (2025)

Convergence Analysis for General Probability Flow ODEs of Diffusion Models in Wasserstein Distances
von: Gao, Xuefeng, et al.
Veröffentlicht: (2024)

The Z-Gromov-Wasserstein Distance
von: Bauer, Martin, et al.
Veröffentlicht: (2024)

Measuring Time-Series Dataset Similarity using Wasserstein Distance
von: Chen, Hongjie, et al.
Veröffentlicht: (2025)

Wasserstein Proximal Policy Gradient
von: Zhu, Zhaoyu, et al.
Veröffentlicht: (2026)

Kernel Two-Sample Tests for Manifold Data
von: Cheng, Xiuyuan, et al.
Veröffentlicht: (2021)

Sliced-Wasserstein Distance-based Data Selection
von: Pallage, Julien, et al.
Veröffentlicht: (2025)

Minimax-Optimal Two-Sample Test with Sliced Wasserstein
von: Tran, Binh Thuan, et al.
Veröffentlicht: (2025)

Max-Sliced Wasserstein Distance and its use for GANs
von: Deshpande, Ishan, et al.
Veröffentlicht: (2019)

Spherical Tree-Sliced Wasserstein Distance
von: Tran, Viet-Hoang, et al.
Veröffentlicht: (2025)

Robust Estimation under the Wasserstein Distance
von: Nietert, Sloan, et al.
Veröffentlicht: (2023)

Semidefinite Relaxations of the Gromov-Wasserstein Distance
von: Chen, Junyu, et al.
Veröffentlicht: (2023)

Wasserstein Distances, Neuronal Entanglement, and Sparsity
von: Sawmya, Shashata, et al.
Veröffentlicht: (2024)

Slicing the Gaussian Mixture Wasserstein Distance
von: Piening, Moritz, et al.
Veröffentlicht: (2025)

Conformal Graph Prediction with Z-Gromov Wasserstein Distances
von: Melo, Gabriel, et al.
Veröffentlicht: (2026)

Recovering Wasserstein Distance Matrices from Few Measurements
von: Rana, Muhammad, et al.
Veröffentlicht: (2025)

Sliced-Wasserstein Distances and Flows on Cartan-Hadamard Manifolds
von: Bonet, Clément, et al.
Veröffentlicht: (2024)

Efficient Distribution Learning with Error Bounds in Wasserstein Distance
von: Figueiredo, Eduardo, et al.
Veröffentlicht: (2026)

Global Convergence of Wasserstein Policy Gradient for Entropy-Regularized Reinforcement Learning
von: Zhu, Zhaoyu, et al.
Veröffentlicht: (2026)

Enhancing Distributional Robustness in Principal Component Analysis by Wasserstein Distances
von: Wang, Lei, et al.
Veröffentlicht: (2025)

Bounds in Wasserstein Distance for Locally Stationary Processes
von: Tinio, Jan Nino G., et al.
Veröffentlicht: (2024)

Sliced Inner Product Gromov-Wasserstein Distances
von: Gong, Xiaoyun, et al.
Veröffentlicht: (2026)

On the Information Processing of One-Dimensional Wasserstein Distances with Finite Samples
von: Jang, Cheongjae, et al.
Veröffentlicht: (2025)

A Relaxed Wasserstein Distance Formulation for Mixtures of Radially Contoured Distributions
von: Chen, Keyu, et al.
Veröffentlicht: (2025)