高斯混合模型空间中的 Wasserstein 型距离
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
本文介绍利用 Wasserstein 距离和最优输运理论分析数据集中随机概率测度(如多重直方图或点云)的最新统计学贡献,并重点介绍在 Wasserstein 空间中使用重心和测地线 PCA 的好处,用于学习数据集中几何变化的主要模式。同时,本文讨论了与统计优化输运相关的一些研究方向。
Jul, 2019
本文提出了一种融合了特征和结构信息的新型距离度量,即融合 Gromov-Wasserstein 距离,它的数学框架被证明具有度量和插值属性,并提供收敛于有限样本的浓度结果。此外,我们还展示和解释了该方法在涉及结构化对象的各种情景中的应用。
Nov, 2018
本文介绍了一种新的视角,旨在通过切片 Wasserstein 距离和核方法提供一系列正定核,并展示了这些核在机器学习中的不同任务中带来的益处,从而为优化传输距离在机器学习中的应用提供了新的可能。
Nov, 2015
本文提出了一种新的统计模型 —— 尖峰运输模型,该模型规范化了两个概率分布仅在低维子空间上不同的假设。我们研究了在这个模型下 Wasserstein 距离的最小二乘率,并表明这种低维结构可以避免维度灾难。通过最小二乘分析,我们得出了一个下界,表明在缺少这样的结构的情况下,插值估计量在高维度中几乎是最优的。我们还提供了统计和计算难度之间的差距的证据,并猜测任何计算上有效的估计量注定受到维数灾难的影响。
Sep, 2019
本文针对高维离散量之间的 Wasserstein 距离提出了具有鲁棒性的 “Max-Min” 方案,通过将量投影到一个较低维的子空间来最大化它们之间的距离。此外,我们提出了一种基于熵正则化的算法来解决相关问题,并在实验中显示了其优越性。
Jan, 2019
本文对最优传输距离的使用进行了探索,指出在大规模数据集上计算这些距离的方法是通过平均几个较小的最优传输问题的结果。我们论证了这种方法等效于原问题的隐式正则化,并具有无偏估计,梯度和期望值周围的集中度约束等吸引人的属性。同时我们还开展了梯度流、GAN 或颜色转换等经验实验,以突出这种策略的实际价值。
Oct, 2019