逆最优输运
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
本文介绍了最优传输方面的数值方法,旨在解决在图形和机器学习中遇到的三角形网格、图形、点云等定义在几何域上的难以高效解决的大规模线性规划,通过使用离散优化、凸分析等为数值最优传输问题提供理论可证明的模型,并讨论了其中的一些问题。
Jan, 2018
本文提出了一种无约束凸优化形式的逆向最优输运问题,其中包括了两种数字算法,并使用深度神经网络参数化成本函数,以此解决了现有逆向最优输运方法中前向计算瓶颈的问题,并展示了这种方法的高效性和准确性。
Feb, 2020
该论文提出了一种在潜在的全局转换情况下进行离散最优传输的通用框架,并通过采用灵活类的不变性来选择转换进行联合最优化求解,成功解决了包括无监督词汇翻译基准在内的各种任务。
Jun, 2018
该研究介绍了一种基于神经网络的算法,用于计算强和弱输运成本的最优输运图和计划,并证明了神经网络是概率分布之间传输计划的通用逼近器。通过在玩具示例和非成对图像翻译上评估我们的最优输运算法的性能。
Jan, 2022
本文提出了一种基于最优传输理论的无监督去噪学习标准,该标准具有优秀的性质,能够实现近乎完全保留信号信息并实现感知重构。实验结果表明,该方法比监督方法具有更好的感知重构和更高的峰值信噪比,尤其在复杂噪声等恶劣实际条件下表现出卓越的优越性。
Aug, 2021
本文介绍了将新的有序约束引入到最优输运问题的形式化描述中,以便将结构纳入其中,并定义了一种有效的方法来获得比标准方法更能解释该新表述的解决方案,理论分析表明该方法具有良好的性质,并在几个图像颜色转换示例以及包括人工注释原理在内的 e-SNLI 数据集上实验验证了有序约束可以提高解释性。
Oct, 2021
本短篇论文着重回顾了优化输运相关理论(Optimal transport theory)及其在数据科学中的应用,重点在于阐述其针对分类、回归、密度拟合等机器学习等领域的优势,介绍了它的数值方法,并介绍了一些学术性质。
Mar, 2018
本研究提出一种迭代方法来高效地解决一类严格凸代价函数的最优运输问题,该方法包括二次和 p 次幂代价函数。我们针对两个定义在离散网格上的概率分布,使用 O (n) 的存储空间和 O (n log (n)) 的操作量计算最优映射,具有近似指数收敛速度。该方法能够在几分钟内解决空间网格大小达到 4096x4096 和 384x384x384 的最优运输问题。
May, 2019