圆上 Monge 成本的快速运输优化
本文提出了一种基于推向前映射和学习适当代价结构的方法,通过使用 Monge-Bregman-Occam 管线,使用 $h$- 变换和 $h$- 凹潜力生成适应结构化代价的基本真实传输,并提出一种学习低维空间中传输位移的正则化方法,通过 Riemannian 梯度下降对 Stiefel 流形进行基础变化,从而得到更加稳健和易于解释的估计量。
Jun, 2023
本文介绍了一种基于 Knothe-Rosenblatt 置换的转换方法,该方法可用于解决具有二次代价的 Monge-Kantorovich 质量输运问题,详细介绍了优化输运问题的数值解法。
Oct, 2008
本研究提出一种迭代方法来高效地解决一类严格凸代价函数的最优运输问题,该方法包括二次和 p 次幂代价函数。我们针对两个定义在离散网格上的概率分布,使用 O (n) 的存储空间和 O (n log (n)) 的操作量计算最优映射,具有近似指数收敛速度。该方法能够在几分钟内解决空间网格大小达到 4096x4096 和 384x384x384 的最优运输问题。
May, 2019
提出一种新的度量同步的方法 —— 度量同步,将这个问题视为优化概率旋转测度的循环一致性,从而达到通过同步条件概率测度来估计绝对方向边际分布的目的,在计算机视觉应用中得到了有力的应用,提出了非参数黎曼粒子优化方法来解决问题。
Apr, 2020
本文介绍了最优传输方面的数值方法,旨在解决在图形和机器学习中遇到的三角形网格、图形、点云等定义在几何域上的难以高效解决的大规模线性规划,通过使用离散优化、凸分析等为数值最优传输问题提供理论可证明的模型,并讨论了其中的一些问题。
Jan, 2018
本研究针对非紧致流形,展示了如何获得用于紧致流形上展示 Monge 传输问题的结果,其中成本来自于 Tonelli Lagrangians。 特别地,已知类型为 d^r(r> 1)的成本的结果,在没有任何曲率限制的情况下成立,其中 r 是完全 Riemannian 流形的 Riemannian 距离。
Nov, 2007
本文提出更快的算法来近似计算两个离散概率分布之间的最优传输距离(如移动距离),同时提供对其的简要介绍和优化,通过将最优传输归约为规范化优化问题,该问题可以在近似线性时间内解决,处理了 linear programs 等问题。
Oct, 2018
本文研究了在球面上的两个最优输运问题,证明了成本切面曲率是一致正的,并建立了几何性质,证明了全局平滑解是存在的,最优映射在数据的弱假设下是 Hölder 连续的。
Jan, 2013
本文提出了一个新颖的两步方法来解决基本问题,即从一个分布学习到另一个分布的最优映射,首先我们学习一个最优传输(OT)方案,其次我们估计 Monge 映射作为一个深度神经网络,演示了我们的建议方法在域适应和生成建模方面的应用。
Nov, 2017
我们研究了具有一种最小作用原理的拉格朗日成本的概率测度之间的最优传输问题,这些推广在将受系统几何影响的物理系统的观测结果连接起来时非常有用,如障碍物(例如,将屏障函数合并到拉格朗日法中),并允许从先验知识、非欧几里得几何中获得基础系统的知识(例如,路径必须是圆形)。我们的贡献具有计算兴趣,我们展示了有效计算测地线和摊销基于样条的路径的能力,这在低维问题中以前从未做过。与以前的工作不同的是,我们还输出了不需要 ODE 求解器的结果拉格朗日最优传输映射。我们通过来自以往工作的低维示例证明了我们的公式的有效性。可以在此 https URL 上获取重复我们实验的源代码。
Jun, 2024