基于度量空间随机对象回归的深度学习方法：超越流形假设

研究者提出了一种针对度量空间中随机对象回归的深度学习方法。该方法直接利用响应空间的度量结构，避免了现有方法中常见的流形或欧几里得嵌入假设。 研究证明了估计量的统计一致性与收敛速率，并明确指出了其缓解维度灾难的条件。 在Wasserstein空间的两个数字健康案例中，该方法利用加速度计与连续血糖监测数据展示了实际应用价值。