Buchumschlag

Minimum Wasserstein distance estimator under covariate shift: closed-form, super-efficiency and irregularity

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Lang, Junjun, Zhang, Qiong, Liu, Yukun
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Methodology Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Centered plug-in estimation of Wasserstein distances
von: Papp, Tamás P., et al.
Veröffentlicht: (2022)

Clustered random forests with correlated data for optimal estimation and inference under potential covariate shift
von: Young, Elliot H., et al.
Veröffentlicht: (2025)

Convex estimation of Gaussian graphical regression models with covariates
von: Liu, Ruobin, et al.
Veröffentlicht: (2024)

Neyman-Pearson multiclass classification under label noise via empirical likelihood
von: Zhang, Qiong, et al.
Veröffentlicht: (2026)

Amortized Bayesian Local Interpolation NetworK: Fast covariance parameter estimation for Gaussian Processes
von: Feng, Brandon R., et al.
Veröffentlicht: (2024)

Wasserstein F-tests for Fréchet regression on Bures-Wasserstein manifolds
von: Xu, Haoshu, et al.
Veröffentlicht: (2024)

Knowledge-Guided Wasserstein Distributionally Robust Optimization
von: Wang, Zitao, et al.
Veröffentlicht: (2025)

A least distance estimator for a multivariate regression model using deep neural networks
von: Shin, Jungmin, et al.
Veröffentlicht: (2024)

Statistical ranking with dynamic covariates
von: Dong, Pinjun, et al.
Veröffentlicht: (2024)

Learning covariate importance for matching in policy-relevant observational research
von: Zhang, Hongzhe, et al.
Veröffentlicht: (2024)

On the role of surrogates in the efficient estimation of treatment effects with limited outcome data
von: Kallus, Nathan, et al.
Veröffentlicht: (2020)

An efficient Wasserstein-distance approach for reconstructing jump-diffusion processes using parameterized neural networks
von: Xia, Mingtao, et al.
Veröffentlicht: (2024)

Wasserstein-type Gaussian Process Regressions for Input Measurement Uncertainty
von: Luo, Hengrui, et al.
Veröffentlicht: (2026)

Combining Wasserstein-1 and Wasserstein-2 proximals: robust manifold learning via well-posed generative flows
von: Gu, Hyemin, et al.
Veröffentlicht: (2024)

The Cellwise Minimum Covariance Determinant Estimator
von: Raymaekers, Jakob, et al.
Veröffentlicht: (2022)

Combining T-learning and DR-learning: a framework for oracle-efficient estimation of causal contrasts
von: van der Laan, Lars, et al.
Veröffentlicht: (2024)

A class of modular and flexible covariate-based covariance functions for nonstationary spatial modeling
von: Blasi, Federico, et al.
Veröffentlicht: (2024)

On the potential benefits of entropic regularization for smoothing Wasserstein estimators
von: Bigot, Jérémie, et al.
Veröffentlicht: (2022)

Non-parametric efficient estimation of marginal structural models with multi-valued time-varying treatments
von: Martin, Axel, et al.
Veröffentlicht: (2024)

On the Wasserstein Geodesic Principal Component Analysis of probability measures
von: Vesseron, Nina, et al.
Veröffentlicht: (2025)

Semiparametric Learning from Open-Set Label Shift Data
von: Liu, Siyan, et al.
Veröffentlicht: (2025)

Fused Gromov-Wasserstein Variance Decomposition with Linear Optimal Transport
von: Wilson, Michael, et al.
Veröffentlicht: (2024)

Distributional Matrix Completion via Nearest Neighbors in the Wasserstein Space
von: Feitelberg, Jacob, et al.
Veröffentlicht: (2024)

Applying non-negative matrix factorization with covariates to label matrix for classification
von: Satoh, Kenichi
Veröffentlicht: (2025)

Causal effects based on distributional distances
von: Kim, Kwangho, et al.
Veröffentlicht: (2018)

Minimum Specification Perturbation: Robustness as Distance-to-Falsification in Causal Inference
von: Dang, Hoang, et al.
Veröffentlicht: (2026)

Wasserstein Gradient Boosting: A Framework for Distribution-Valued Supervised Learning
von: Matsubara, Takuo
Veröffentlicht: (2024)

Dynamic covariate balancing: estimating treatment effects over time with potential local projections
von: Viviano, Davide, et al.
Veröffentlicht: (2021)

Separation-based distance measures for causal graphs
von: Wahl, Jonas, et al.
Veröffentlicht: (2024)

TabPFN: One Model to Rule Them All?
von: Zhang, Qiong, et al.
Veröffentlicht: (2025)

SubgroupTE: Advancing Treatment Effect Estimation with Subgroup Identification
von: Lee, Seungyeon, et al.
Veröffentlicht: (2024)

BARTSIMP: flexible spatial covariate modeling and prediction using Bayesian additive regression trees
von: Jiang, Alex Ziyu, et al.
Veröffentlicht: (2023)

Learning over von Mises-Fisher Distributions via a Wasserstein-like Geometry
von: You, Kisung, et al.
Veröffentlicht: (2025)

On Minimum Trace Factor Analysis -- An Old Song Sung to a New Tune
von: Li, C., et al.
Veröffentlicht: (2024)

Nonparametric efficient inference for network quantile causal effects under partial interference
von: Cheng, Chao, et al.
Veröffentlicht: (2026)

Spatially-informed transformers: Injecting geostatistical covariance biases into self-attention for spatio-temporal forecasting
von: Calleo, Yuri
Veröffentlicht: (2025)

Inference on covariance structure in high-dimensional multi-view data
von: Mauri, Lorenzo, et al.
Veröffentlicht: (2025)

Multivariate outlier explanations using Shapley values and Mahalanobis distances
von: Mayrhofer, Marcus, et al.
Veröffentlicht: (2022)

Wasserstein Gradient Flows for Batch Bayesian Optimal Experimental Design
von: Sharrock, Louis
Veröffentlicht: (2026)

Personalised dynamic super learning: an application in predicting hemodiafiltration convection volumes
von: Chatton, Arthur, et al.
Veröffentlicht: (2023)