MMOct, 2015

关于地球移动距离的确定性及其与集合交的关系

PDF
TL;DR本文通过集合论的解释，从正定核的角度提出了 Earth Mover's Intersection (EMI) 方法，与 Earth Mover's Distance (EMD) 类似，可以有效地解决不同大小的集合的问题。同时，作者提供了一些 EMD 的逼近情况和正定性保持变换等技术，对于计算机视觉任务，使用 EMI 和提出的变换的核优于使用 EMD 的结果。
发现论文，激发创造
  • 低复杂度数据并行的地球移动距离近似算法

    本研究提出了一种基于数据并行的 Earth Mover's Distance 近似算法，具有线性时间复杂度以及适用于高维空间和高重叠概率分布的优势，在文本和图像领域中取得了较高的近似精度。

    Dec, 2018

  • 使用正态分布进行地球移动距离的索引

    本文提出了一种使用 Earth Mover's Distance (EMD) 的指数结构来更有效地查询不确定性数据集的办法，借助新的 EMD 下限方法和索引结构来实现 K 个最近邻 (K-NN) 查询，通过将每个分布映射到向量上并将每个正常表示为 Hough 变换空间中的一个点，得到有效的性能提升和查询时间降低。

    Nov, 2011

  • 高亮度 LHC 数据压缩的可微分 EMD

    本篇论文研究如何训练卷积神经网络以学习可微分、快速的 EMD 近似函数，用于高亮度 LHC 的粒子探测器数据压缩，证明与基于均方误差的损失函数相比，使用可微分的 EMD CNN 进行训练的编码器神经网络表现更优。

    Jun, 2023

  • DeepEMD: 可微分的地球移动距离用于少样本学习

    本文提出了使用 Earth Mover's Distance（EMD）等方法进行 few-shot 图像分类的新视角，并介绍了一种交叉引用机制来处理复杂背景和外观变化的图像。我们还展示了本算法在五个广泛使用的 few-shot 分类基准数据集上优于现有技术的实验结果，并在图像检索任务上展示了本方法的有效性。

    Mar, 2020

  • DeepEMD：一种基于 Transformer 的快速估计 Earth Mover's Distance

    提出了一种基于注意力模型的训练损失的准确估算方法，用于生成模型并使用 Earth Mover's Distance 作为损失函数，并提供了使用该模型进行海量点云推断的显著性能提升。

    Nov, 2023

  • 扩散地球移动距离与分配嵌入

    本文提出了一种计算大规模相关高维数据集之间的距离的快速方法，称为扩散地球移位距离（Diffusion Earth Mover's Distance）。通过建模数据集为分布并计算相互作用矩阵来实现，该方法的时间复杂度为 O (n)，并且比基于树的算法更加准确和可微分，适用于深度神经网络等梯度下降框架。实验通过 210 个 COVID-19 样本的单细胞数据表明该方法比同等精确度的方法至少快两个数量级，且可以嵌入更高层次的患者流形中揭示患者间的结构和异质性，并可适用于其他医学和生物模型中大规模数据集的距离计算。

    Feb, 2021

  • 基于平方地球移动距离的深度神经网络训练损失

    本研究提出将 Wasserstein 距离应用于单标签分类，以考虑现实任务中存在的类别间联系，并表明该方法在具有明显类间关系的数据集上表现出最新的最优结果。

    Nov, 2016

  • 基于最近邻搜索的地球移动距离高效近似计算

    使用最近邻搜索来逼近地球移动距离（EMD），以实现高准确性、低时间复杂度和高内存效率；通过 GPU 的向量化进一步加快速度，比现有的近似 EMD 方法在图像分类和检索任务中达到 44 倍至 135 倍的速度优势，同时实现了更好的准确性、加速比和内存效率。

    Jan, 2024

  • D2KE: 从距离到核函数和嵌入

    针对结构化输入的机器学习问题，提出了一种只基于输入之间的距离度量而不是特征表示估算函数 f (x)，应用正定核泛函和重现核希尔伯特空间来构建算法，并将其与现有的基于距离学习的方法进行比较，结果表明该方法在分类实验中具有更好的推广性能。

    Feb, 2018

  • 测地指数核：当曲率与线性冲突时

    本文探讨了一般测地度量空间中的内核方法，并提供了正面和负面的结果。结论是：高斯内核只能在测地度量空间中推广为正定内核，如果该空间是平坦的，这意味着任何在曲面上设计测地高斯内核的尝试都是徒劳的。然而，本文证明：对于具有有条件负定距离的空间，可以推广测地拉普拉斯内核并保持正定性。这意味着可以将测地拉普拉斯内核推广至一些曲面上。

    Nov, 2014