discretize_distributions：在 Wasserstein 距离下保证精度的高斯混合分布离散化
机器学习
2025-11-21 v1
摘要
我们提出 discretize_distributions，一个高效构建高斯混合分布离散近似的 Python 软件包，并提供 Wasserstein 距离下的近似误差保证。该软件包实现了高斯混合模型的最新量化方法，并对其进行扩展以提高可扩展性。它进一步集成了诸如 sigma 点方法等互补量化策略，并提供模块化接口以支持自定义方案及集成到控制和验证管道中。我们对软件包进行了各种示例的基准测试，包括高维、大规模和退化的高斯混合模型，演示 discretize_distributions 在低计算成本下 produces 准确的近似。
关键词
引用
@article{arxiv.2511.15854,
title = {discretize_distributions: Efficient Quantization of Gaussian Mixtures with Guarantees in Wasserstein Distance},
author = {Steven Adams and Elize Alwash and Luca Laurenti},
journal= {arXiv preprint arXiv:2511.15854},
year = {2025}
}