基于广义 Wasserstein-2 距离的随机场模型重构：应用随机神经网络
机器学习
2025-07-08 v1
摘要
本文提出了一种新颖的广义 Wasserstein-2 距离方法，用于高效训练随机神经网络以重构随机场模型，其中目标随机变量包含连续型和类别型组成部分。我们在非限制性条件下证明了随机神经网络可在 Wasserstein-2 距离度量下近似随机场模型。此外，该随机神经网络可通过最小化我们提出的广义局部平方 Wasserstein-2 损失函数进行高效训练。我们展示了所提出方法在 various 不确定性量化任务中的有效性，包括分类、混合随机变量分布重构以及从时空数据中学习复杂噪声动力系统。
引用
@article{arxiv.2507.05143,
title = {A generalized Wasserstein-2 distance approach for efficient reconstruction of random field models using stochastic neural networks},
author = {Mingtao Xia and Qijing Shen},
journal= {arXiv preprint arXiv:2507.05143},
year = {2025}
}