可扩展的最近邻搜索用于最优输运
该研究提出了一种基于熵正则化、近似 Sinkhorn 缩放和高斯核矩阵低秩逼近的算法,用于计算两个点云或离散分布之间的二次输运度量(也称为 2-Wasserstein 距离或均方根距离),其复杂度为 O (n)。
Oct, 2018
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
本文介绍一种基于原始对偶外推方法的平行一阶算法,通过计算最优传输(包括基于 Wasserstein 距离的计算)来解决机器学习和统计学中常见的问题,具有较强的实际应用价值,并实验验证了优异的性能。
Jun, 2019
该论文介绍了基于分布和话题建模的层次最优输运方法作为文档之间的元距离,以量化文档之间的相似性。这种方法具有解释性和可扩展性,并在 k-NN 分类方面表现良好。
Jun, 2019
我们提出了一个完全新的基于最优传输的框架,用于比较图形,该框架能够有效地解决不同任务,如图形对齐,图形分类和图形信号预测问题,通过显式解析 Wasserstein 距离的表达式,其中图拉普拉斯矩阵被用来描述类似于曲面的图形信号分布的概率分布,最终优化处理的难点是用基于贝叶斯探索的随机算法来破解图形对齐问题的非凸性。
Jun, 2019
本篇论文介绍了一种基于树状嵌入的 Wasserstein 距离的计算方式,通过 L1 正则化方法来学习树的边缘权重,并通过 Lasso-based 回归问题实现最短路径距离的表示,从而近似计算 1-Wasserstein 距离。通过实验结果,证明了这种方法可以准确地近似 1-Wasserstein 距离。
Jun, 2022
本文章提出了一种新的方法来估计高维中两个概率分布之间的 Wasserstein 距离和最优传输方案,该方法可以在各种任务中获得显著的改进,包括单细胞 RNA 测序数据的领域适应性。该方法基于低运输秩的耦合,解决了数据驱动最优传输中的维数灾难,并得到了理论分析的支持。
Jun, 2018
该论文提出了一种新颖的端到端非极小算法,用于训练最优输运映射以逼近 Wasserstein-2 距离,并使用输入凸神经网络和循环一致性正则化来近似 Wasserstein-2 距离,解决了流行的熵和二次正则化中存在偏差和高维度缩放问题的不足,并在诸多任务上进行了实验评估。
Sep, 2019
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