用 Hilbert 度量的计算方法进行熵和位移插值
本文研究在离散度量图上构建位移插值的方法,基于将任何以离散图中的距离为代价函数的最优输运问题逼近为一系列 Schrödinger 问题,由此定义出位移插值,并基于熵最小化问题的 Gamma 收敛定理得出主要收敛结果。
Aug, 2013
本论文介绍了一种树状结构二次代价的熵版本的多边际最优运输(mOT),并通过开发基于树形结构的扩散薛定谔桥(TreeDSB)算法解决了此问题,该算法可以在高维设置中进行图像插值和贝叶斯融合等应用,能够计算瓦瑟斯坦测地线重心。
May, 2023
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
本文证明了熵正则化最优输运问题的 Gamma 收敛性,并证明了隐式步骤按熵正则化距离时收敛于原始梯度流,证明了压缩后的最优输运计划收敛于最优输运计划,这表明了压缩后的熵正则化最优输运计划在熵消失时收敛于最优输运计划。
Dec, 2015
本文介绍了一种使用最优输送损失的可行计算方法,通过熵平滑和自动微分来减少计算负担、提高稳定性和平滑性,获得鲁棒和可微分的最优输送损失的逼近,从而训练大规模生成模型并补充标准深度网络生成模型的计算机架构。
Jun, 2017
提出了一种名为 ProgOT 的新类 EOT 求解器,它能够估计计划和传输映射,通过使用时间离散化分割质量位移、从动态 OT 公式获得启示并利用适当安排的参数使用 EOT 来征服这些步骤,我们提供了实验证据表明,在计算大规模耦合时,ProgOT 是快速且更可靠的替代标准求解器,甚至优于基于神经网络的方法,并且还证明了我们的方法在估计最优传输映射时具有统计一致性。
Jun, 2024
通过引入高斯平滑的方法,本文提出了一种新颖的高斯平滑最优输运(Gaussian-smoothed OT)框架,以在保持 1-Wasserstein 度量结构的同时消除了实证逼近的维数诅咒,并在实证研究中证实了其可行性和优越性,为信息科学领域中的最优输运理论和应用提供了新思路。
Jan, 2020