本文提出了一种基于 Wasserstein 距离的椭圆混合模型稳定求解方法,能够显著地改善 EMM 估计并加速收敛。
Jun, 2019
本文提出了一种适用于一般多变量 GMM 学习的距离函数 Sliced Cramé 2-distance, 其解析形式表达简单,且可以与神经网络顺利结合,将其应用于 Deep Q Networks 代表的一些算法中,获得了很好的表现。
Jul, 2023
本研究提出了一种新的变分推断方法,通过最小化切片 Wasserstein 距离来近似非规范化分布并使用神经网络对变分分布进行逼近。我们还提供了理论性分析,并用合成和实际数据进行了实验验证。
Jul, 2022
本文介绍了切片 Wasserstein 距离的一种新变体,并研究了在 Wasserstein 距离的蒙特卡罗估计中使用正交耦合的方法,并与分层抽样建立了联系,并在生成建模和强化学习的大规模实验中进行了性能评估。
Mar, 2019
提出一种基于能量函数的切片分布,利用其构建一维 Wasserstein 距离而得到 energy-based sliced Waserstein (EBSW) 距离,进行拓扑、统计和计算性质的研究,实验表明该方法在点云梯度流、颜色转移和点云重建等方面具有优异性能。
Apr, 2023
此研究介绍了一种基于 Wasserstein 距离的方法,用于高维数问题中的 Gaussian 混合模型的优化问题,并讨论了它的性质和在图像处理中的应用。
Jul, 2019
该研究探讨了几个度量数据分布与隐式模型分布差异的标准,发现这些度量在概率测度空间中引入了不同的几何特性,特别是当参数生成器具有非凸参数化时,$1$-Wasserstein 距离能够实现惊人的近似全局收敛保证。
Dec, 2017
该论文介绍了一种新的方法,使用少量参数化正交投影来近似分解高维分布的一维边际分布,以便于在生成式框架中实现深度学习。研究表明,该方法在标准图像综合基准和高分辨率图像和视频生成方面表现出优越性和最先进性。
Apr, 2019
本研究介绍了基于深度学习的一种小批量近似方法,用于在自动编码器和生成式对抗网络等现代生成模型中实现切片 Wasserstein 距离,以便在无监督情况下实现高分辨率图像和视频的生成,表现为当代最佳水平。
Jun, 2017
本篇论文提出了一种基于随机投影的生成模型,该模型较传统的 GAN 模型更加稳定和精确,采用的 Wasserstein 距离作为度量计算生成样本的真实性,可以得到更准确的生成结果。
Mar, 2018