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
本文研究了使用少量副信息来学习代价函数的方法,该信息能够捕获到数据集中的子集对应关系,并提出了一种基于 Sinkhorn 算法的端对端优化器,实现了代价函数的自适应学习,结果表明该方法在图片、婚姻匹配和单细胞 RNA 测序等数据集上取得了明显的性能优势。
Sep, 2019
本文提出了一种基于反向最优传输的统一数据驱动框架,可从噪声和不完整的实证匹配矩阵中学习自适应、非线性交互成本函数并在各种匹配环境下预测新的匹配。
Feb, 2018
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
本研究提出了一个新的正则化解释角度,即将正则化视为一种鲁棒性机制,展示了任何凸正则化的 OT 都可以被解释为接受对手 -- 地面成本的方式。这同时可以在地面空间上提供鲁棒的不相似性度量方法,并提出了相应的算法和实验性说明了这种方法的优越性。
Feb, 2020
提出一种新的随机优化算法来应对机器学习中遇到的大规模问题,该方法利用任意分布的样本来避免将密度值离散化,并提供了可证明收敛的方法,输出正确的距离。
May, 2016
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
该论文提出了一种通过噪声数据推断未知成本的方法,利用了前向最优传输问题和随机数生成方法作为基础,探讨了其在国际迁移流问题上的应用和不确定性量化。
提出一种名为 COOT 的新型最优输运问题,它同时优化两个输运映射,用于异质域适应和聚类数据总结,相比现有的方法,COOT 表现出更高的性能。
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