应用于对抗学习和域自适应的混合分布归一化 Wasserstein 距离

ICCVFeb, 2019

应用于对抗学习和域自适应的混合分布归一化 Wasserstein 距离

Normalized Wasserstein Distance for Mixture Distributions with Applications in Adversarial Learning and Domain Adaptation

PDF

Yogesh Balaji, Rama Chellappa, Soheil Feizi

TL;DR本文研究通过引入归一化 Wasserstein 度量来解决不平衡混合比例问题，并将其应用于生成模型、域自适应和聚类等多个领域，表现出显著的性能提升。

Abstract

Understanding proper distance measures between distributions is at the core of several learning tasks such as generative models, domain adaptation, clustering, etc. In this work, we focus on mixture distributions

distance measures mixture distributions wasserstein distance normalized wasserstein measure learning methods

发现论文，激发创造

使用 Wasserstein Loss 进行学习

本文提出了一个基于 Wasserstein 距离的多标签学习损失函数，基于概率度量体提供了一种自然的概念。该算法可以有效鼓励模型在输出空间中使用所选度量的平滑性，并用 Yahoo Flickr Creative Commons 数据集上的标签预测问题验证了性能。

Jun, 2015

高斯混合模型空间中的 Wasserstein 型距离

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

Wasserstein 距离下的 Minimax 分布估计

论文提供了关于在 Wasserstein 损失下仅使用样本空间的测度性质和概率分布的弱矩假设，对于概率分布的估计的统计极小值率上下界的研究。

Feb, 2018

使用 Wasserstein 度量的数据集精馏

利用 Wasserstein 距离进行数据集简化，通过嵌入合成数据到预训练分类模型的特征空间进行分布匹配，实现了数据集简化的新的最先进性能。

Nov, 2023

在 Wasserstein 距离中的最优实例私有密度估计

使用 Wasserstein 距离对分布进行差分私密密度估计，并设计了可以适应简单实例的实例最优算法，对于特殊情况下的离散分布，结果还导致了 TV 距离下的实例最优私密学习。

Jun, 2024

高斯混合模型空间中的 Gromov-Wassertein 类距离

该研究论文介绍了两种 Gromov-Wasserstein 类型的距离，用于高斯混合模型集合。这些距离可作为 Gromov-Wasserstein 的替代品，用于评估两个分布间的差异，并且为点云之间的最优传输计划提供了一种定义方式。同时，该研究还提供了实际应用案例，如形状匹配和高光谱图像颜色转换。

Oct, 2023

图像增强的投影分布损失

本文研究使用从目标识别 CNNs 中获取的特征来衡量图像之间的感知相似度，并使用差分距离函数训练图像增强模型，并表明聚合 CNN 激活之间的 1D-Wasserstein 距离比现有方法更可靠，并且可以在各种成像应用中显著提高感知性能。

Dec, 2020

Wasserstein 距离的统计学特征

本文介绍了 Wasserstein 距离作为概率分布度量的数学概念，以及其在统计学中的重要应用，包括了弱收敛、矩收敛、概率分布扰动等内容。

Jun, 2018

带随机噪声的私密瓦石坦距离

该研究通过研究 Wasserstein 空间中的三角属性，提出了一种名为 TriangleWad 的简单解决方案，可以在不同实体之间计算存储的数据集之间的 Wasserstein 距离。该方法使原始数据信息变得真正不可见，提高了对攻击的抵抗能力，而不损失估计准确性，并在涉及图像和文本数据的各种任务中进行了全面实验，证明了其卓越性能和泛化能力。

Apr, 2024

计算不平衡分布之间的距离 —— 平距度量

我们提供了一个在任意维度计算平坦度量的实现。平坦度量，也称为双有界利普希茨距离，将众所周知的 Wasserstein 距离 W1 推广到分布总质量不相等的情况。这对于不平衡的最优传输任务以及样本大小重要或不可归一化的数据分布的分析非常重要。该方法的核心是基于神经网络来确定一个实现两个给定度量之间距离的最优测试函数。我们特别关注实现了从独立训练的网络中计算出的成对距离的可比较性。我们通过多个实验以及使用模拟数据来测试输出的质量。

Aug, 2023