计算最优输运
本文通过熵正则化的 Optimal transport(OT)工具,对 Inverse Optimal Transport(IOT)进行正式化和系统分析,包括代价等价成本的流形特性、模型先验的影响以及基于模拟的结果验证等方面。
Dec, 2021
本文讨论了在机器学习中优化传输(Optimal Transport)的应用,侧重于可扩展性问题,并提供了优化传输问题的全面综述。作者提出了现有文献中用于解决优化传输可扩展性问题的方法,并对这些方法进行了系统分析,并提出了未来研究方向和挑战。
May, 2023
介绍最优输运的数学理论,以及其在计算物理学中测量函数距离、插值和保持质量 / 体积方面的应用,介绍最优输运的主要原理和其与其他概念的关系,并介绍一种名为半离散的具体设置,该设置自然地导致了一种高效的计算算法,该算法使用计算几何的经典概念如广义 Voronoi 图 - 拉格朗日图。
Oct, 2017
以单一框架统一 Optimal Transport(OT)为基础的对抗方法,通过对统一框架的全面分析来阐明每个组成部分在训练动力学中的作用。我们提出了一个简单而新颖的方法,逐步改进生成分布,并逐渐与数据分布对齐。该方法在 CIFAR-10 上实现了 2.51 的 FID 得分,胜过了统一的基于 OT 的对抗方法。
Oct, 2023
提出了一种名为 SPOT(Scalable Push-forward of Optimal Transport)的基于隐式生成学习的方法来解决 “最优传输”(Optimal Transport,OT)中的可扩展性问题,该方法通过引入参考分布而近似最优传输计划,并将其转化为极小极大问题。实验结果表明 SPOT 系统具有可靠性和较好的收敛性,并允许从最优传输计划中高效采样,从而有利于领域适应等下游应用。
May, 2019
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