Tangent space and dimension estimation with the Wasserstein distance

Tangent space and dimension estimation with the Wasserstein distance

Toon andere (1) versies

Consider a set of points sampled independently near a smooth compact submanifold of Euclidean space. We provide mathematically rigorous bounds on the number of sample points required to estimate both the dimension and the tangent spaces of that manifold with high confidence. The algorithm for this e...

Volledige beschrijving

Bibliografische gegevens
Hoofdauteurs:	Lim, U, Oberhauser, H, Nanda, V
Formaat:	Journal article
Taal:	English
Gepubliceerd in:	Society for Industrial and Applied Mathematics 2024

Gelijkaardige items

Tangent space and dimension estimation with the Wasserstein distance
door: Lim, U, et al.
Gepubliceerd in: (2021)

Wasserstein distance estimates for jump-diffusion processes
door: Breton, Jean-Christophe, et al.
Gepubliceerd in: (2024)

Estimation of Wasserstein distances in the Spiked Transport Model
door: Niles-Weed, Jonathan, et al.
Gepubliceerd in: (2022)

The Quantum Wasserstein Distance of Order 1
door: De Palma, Giacomo, et al.
Gepubliceerd in: (2022)

Explainable AI Using the Wasserstein Distance
door: Shion Samadder Chaudhury, et al.
Gepubliceerd in: (2024-01-01)

Alignment of density maps in Wasserstein distance
door: Amit Singer, et al.
Gepubliceerd in: (2024-01-01)

Wasserstein distance estimates for stochastic integrals by forward-backward stochastic calculus
door: Breton, Jean-Christophe, et al.
Gepubliceerd in: (2022)

Clustering market regimes using the Wasserstein distance
door: Horvath, B, et al.
Gepubliceerd in: (2021)

Correcting nuisance variation using Wasserstein distance
door: Gil Tabak, et al.
Gepubliceerd in: (2020-02-01)

Fused Gromov-Wasserstein Distance for Structured Objects
door: Titouan Vayer, et al.
Gepubliceerd in: (2020-08-01)

Generating Adversarial Samples With Constrained Wasserstein Distance
door: Kedi Wang, et al.
Gepubliceerd in: (2019-01-01)

Gromov-wasserstein averaging of kernel and distance matrices
door: Peyre, Gabriel, et al.
Gepubliceerd in: (2017)

An Empirical Study of Self-Supervised Learning with Wasserstein Distance
door: Makoto Yamada, et al.
Gepubliceerd in: (2024-10-01)

Towards Inverse Modeling of Landscapes Using the Wasserstein Distance
door: M. J. Morris, et al.
Gepubliceerd in: (2023-07-01)

Target detection based on generalized Bures–Wasserstein distance
door: Zhizhong Huang, et al.
Gepubliceerd in: (2023-12-01)

Hydrological objective functions and ensemble averaging with the Wasserstein distance
door: J. C. Magyar, et al.
Gepubliceerd in: (2023-03-01)

Wasserstein Distance-Based Deep Leakage from Gradients
door: Zifan Wang, et al.
Gepubliceerd in: (2023-05-01)

Detecting changes in forced climate attractors with Wasserstein distance
door: Y. Robin, et al.
Gepubliceerd in: (2017-07-01)

Non-parametric threshold for smoothed empirical Wasserstein distance
door: Jia, Zeyu
Gepubliceerd in: (2022)

Fast and Smooth Interpolation on Wasserstein Space
door: Chewi, Sinho, et al.
Gepubliceerd in: (2022)

Learning embeddings into entropic Wasserstein spaces
door: Frogner, C, et al.
Gepubliceerd in: (2021)

Statistical data analysis in the Wasserstein space*
door: Bigot Jérémie
Gepubliceerd in: (2020-01-01)

Optimal energy scheduling for microgrid based on GAIL with Wasserstein distance
door: Kuo Wang, et al.
Gepubliceerd in: (2024-08-01)

Probability Forecast Combination via Entropy Regularized Wasserstein Distance
door: Ryan Cumings-Menon, et al.
Gepubliceerd in: (2020-08-01)

Hyperspectral Anomaly Detection Based on Wasserstein Distance and Spatial Filtering
door: Xiaoyu Cheng, et al.
Gepubliceerd in: (2022-06-01)

Quantum Wasserstein distance based on an optimization over separable states
door: Géza Tóth, et al.
Gepubliceerd in: (2023-10-01)

Open-Set Signal Recognition Based on Transformer and Wasserstein Distance
door: Wei Zhang, et al.
Gepubliceerd in: (2023-02-01)

Wasserstein stability estimates for covariance-preconditioned Fokker–Planck equations
door: Carrillo, JA, et al.
Gepubliceerd in: (2021)

Fast convergence of empirical barycenters in Alexandrov spaces and the Wasserstein space
door: Le Gouic, Thibaut, et al.
Gepubliceerd in: (2022)

Wasserstein Uncertainty Estimation for Adversarial Domain Matching
door: Rui Wang, et al.
Gepubliceerd in: (2022-05-01)

Parameter estimation from aggregate observations: a Wasserstein distance-based sequential Monte Carlo sampler
door: Chen Cheng, et al.
Gepubliceerd in: (2023-08-01)

Least-Squares Estimation of Tangent Space for a Triangular Mesh
door: Min Gyu Choi
Gepubliceerd in: (2024-03-01)

Convergence to equilibrium in Wasserstein distance for damped Euler equations with interaction forces
door: Carrillo de la Plata, JA, et al.
Gepubliceerd in: (2018)

Geometrical aspects of entropy production in stochastic thermodynamics based on Wasserstein distance
door: Muka Nakazato, et al.
Gepubliceerd in: (2021-11-01)

Stable and Fast Deep Mutual Information Maximization Based on Wasserstein Distance
door: Xing He, et al.
Gepubliceerd in: (2023-11-01)

A Wasserstein Distance-Based Cost-Sensitive Framework for Imbalanced Data Classification
door: R. Feng, et al.
Gepubliceerd in: (2023-09-01)

Algebraic groups and their tangent spaces
door: Kua, Manzu Hao Yan
Gepubliceerd in: (2022)

Network consensus in the Wasserstein metric space of probability measures
door: Bishop, AN, et al.
Gepubliceerd in: (2021)

Ensemble Riemannian data assimilation over the Wasserstein space
door: S. K. Tamang, et al.
Gepubliceerd in: (2021-07-01)

Reconstructing discrete measures from projections. Consequences on the empirical Sliced Wasserstein Distance
door: Tanguy, Eloi, et al.
Gepubliceerd in: (2024-11-01)