Buchumschlag

A Statistical Analysis of Wasserstein Autoencoders for Intrinsically Low-dimensional Data

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Chakraborty, Saptarshi, Bartlett, Peter L.
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Statistics Theory
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A Statistical Analysis for Supervised Deep Learning with Exponential Families for Intrinsically Low-dimensional Data
von: Chakraborty, Saptarshi, et al.
Veröffentlicht: (2024)

A Statistical Analysis of Deep Federated Learning for Intrinsically Low-dimensional Data
von: Chakraborty, Saptarshi, et al.
Veröffentlicht: (2024)

On the Statistical Properties of Generative Adversarial Models for Low Intrinsic Data Dimension
von: Chakraborty, Saptarshi, et al.
Veröffentlicht: (2024)

Generalization Properties of Score-matching Diffusion Models for Intrinsically Low-dimensional Data
von: Chakraborty, Saptarshi, et al.
Veröffentlicht: (2026)

$L^2$ over Wasserstein: Statistical Analysis for Optimal Transport
von: Passeggeri, Riccardo, et al.
Veröffentlicht: (2026)

FLIPHAT: Joint Differential Privacy for High Dimensional Sparse Linear Bandits
von: Chakraborty, Sunrit, et al.
Veröffentlicht: (2024)

Improved Scaling Laws in Linear Regression via Data Reuse
von: Lin, Licong, et al.
Veröffentlicht: (2025)

Benign Overfitting without Linearity: Neural Network Classifiers Trained by Gradient Descent for Noisy Linear Data
von: Frei, Spencer, et al.
Veröffentlicht: (2022)

Minimax Statistical Estimation under Wasserstein Contamination
von: Chao, Patrick, et al.
Veröffentlicht: (2023)

Information Geometry of Wasserstein Statistics on Shapes and Affine Deformations
von: Amari, Shun-ichi, et al.
Veröffentlicht: (2023)

Wasserstein Parallel Transport for Predicting the Dynamics of Statistical Systems
von: Saidi, Tristan Luca, et al.
Veröffentlicht: (2026)

Low-Dimensional Adaptation of Rectified Flow: A Diffusion and Stochastic Localization Perspective
von: Roy, Saptarshi, et al.
Veröffentlicht: (2026)

From Collapse to Improvement: Statistical Perspectives on the Evolutionary Dynamics of Iterative Training on Contaminated Sources
von: Bakshi, Soham, et al.
Veröffentlicht: (2026)

Stability and Accuracy Trade-offs in Statistical Estimation
von: Chakraborty, Abhinav, et al.
Veröffentlicht: (2026)

Understanding Best Subset Selection: A Tale of Two C(omplex)ities
von: Roy, Saptarshi, et al.
Veröffentlicht: (2023)

Hard labels sampled from sparse targets mislead rotation invariant algorithms
von: Ghosh, Avrajit, et al.
Veröffentlicht: (2026)

Wasserstein Transfer Learning
von: Zhang, Kaicheng, et al.
Veröffentlicht: (2025)

Scaling Laws in Linear Regression: Compute, Parameters, and Data
von: Lin, Licong, et al.
Veröffentlicht: (2024)

Wasserstein KL-divergence for Gaussian distributions
von: Datar, Adwait, et al.
Veröffentlicht: (2025)

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

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

On the attainment of the Wasserstein--Cramer--Rao lower bound
von: Nishimori, Hayato, et al.
Veröffentlicht: (2025)

Wasserstein Convergence of Critically Damped Langevin Diffusions
von: Strasman, Stanislas, et al.
Veröffentlicht: (2025)

Generalized Data Thinning Using Sufficient Statistics
von: Dharamshi, Ameer, et al.
Veröffentlicht: (2023)

Robust Alignment via Partial Gromov-Wasserstein Distances
von: Gong, Xiaoyun, et al.
Veröffentlicht: (2025)

Bounds in Wasserstein Distance for Locally Stationary Functional Time Series
von: Tinio, Jan Nino G., et al.
Veröffentlicht: (2025)

Convex Clustering Redefined: Robust Learning with the Median of Means Estimator
von: De, Sourav, et al.
Veröffentlicht: (2025)

Diffusion Models Are Statistically Optimal for Learning Low-Dimensional Multi-Modal Distributions
von: Wu, Jingda, et al.
Veröffentlicht: (2026)

Estimation and inference for the Wasserstein distance between mixing measures in topic models
von: Bing, Xin, et al.
Veröffentlicht: (2022)

Extrapolation-Aware Nonparametric Statistical Inference
von: Pfister, Niklas, et al.
Veröffentlicht: (2024)

A Statistical Theory of Contrastive Learning via Approximate Sufficient Statistics
von: Lin, Licong, et al.
Veröffentlicht: (2025)

Max-sliced Wasserstein concentration and uniform ratio bounds of empirical measures on RKHS
von: Han, Ruiyu, et al.
Veröffentlicht: (2024)

Active Learning for Regression based on Wasserstein distance and GroupSort Neural Networks
von: Bobbia, Benjamin, et al.
Veröffentlicht: (2024)

Finite-Sample Wasserstein Error Bounds and Concentration Inequalities for Nonlinear Stochastic Approximation
von: Kong, Seo Taek, et al.
Veröffentlicht: (2026)

Network Learning with Semi-relaxed Gromov-Wasserstein
von: Dufour, Charles, et al.
Veröffentlicht: (2026)

Assessing the Quality of Denoising Diffusion Models in Wasserstein Distance: Noisy Score and Optimal Bounds
von: Arsenyan, Vahan, et al.
Veröffentlicht: (2025)

Optimal and instance-dependent guarantees for Markovian linear stochastic approximation
von: Mou, Wenlong, et al.
Veröffentlicht: (2021)

Statistical-Computational Trade-offs in Learning Multi-Index Models via Harmonic Analysis
von: Latourelle-Vigeant, Hugo, et al.
Veröffentlicht: (2026)

Adaptation to Intrinsic Dependence in Diffusion Language Models
von: Zhao, Yunxiao, et al.
Veröffentlicht: (2026)

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