Nov, 2020

关于不可比空间的最优输运问题的贡献

PDF
TL;DR该论文讨论了 Optimal Transport 在不同空间中的运用，尤其是研究了如何在图形和结构化数据之间定义和应用 Optimal Transport，特别是在这些数据属于不可比较空间时如何完成适应操作。该文提出了一组 Optimal Transport 工具，其中包括对 Gromov-Wasserstein 距离的研究，其性质可以定义不同空间中的有趣运输问题。我们分析了各种工具的数学性质，建立了计算它们的算法解决方案，并研究了它在许多机器学习场景中的适用性，其中包括分类和简化、结构数据分区以及异构域适应。
发现论文，激发创造
  • 最优输运理论及其在计算机上的实现

    介绍最优输运的数学理论，以及其在计算物理学中测量函数距离、插值和保持质量 / 体积方面的应用，介绍最优输运的主要原理和其与其他概念的关系，并介绍一种名为半离散的具体设置，该设置自然地导致了一种高效的计算算法，该算法使用计算几何的经典概念如广义 Voronoi 图 - 拉格朗日图。

    Oct, 2017

  • 基于子空间投影的最优运输在机器学习应用中的利用

    使用投影和子空间的替代方法优化原始的最优输运问题，同时研究其在不同领域的应用，包括黎曼流形、不平衡最优输运问题、梯度流和概率测度空间中的 Busemann 函数以及 Gromov-Wasserstein 距离的推广。

    Nov, 2023

  • 全局不变性下的最优输运

    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

  • 通过最优传输计算几何数据集之间的距离

    本文提出了一种基于最优传输理论的数据集距离度量方法，不依赖于具体模型参数及训练数据，能够更好地比较数据集的相似度，与转移学习难度具有很好的相关性。

    Feb, 2020

  • 机器学习中的最优传输近期进展

    本研究综述了 Optimal Transport 在机器学习中的应用，特别关注于监督、无监督、迁移和强化学习领域，并重点介绍了计算 Optimal Transport 的最新发展及其与机器学习实践的相互作用。

    Jun, 2023

  • GOT: 一种图比较的最优传输框架

    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

  • 计算最优输运

    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

  • 大规模最优输运的随机优化

    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

  • 结构化最优输运

    本文提出一个非线性广义离散最优传输模型，可应用于领域自适应和自然语言处理中，同时探索其快速算法和相关属性。Illustrative experiments 展示了模型引导的结构耦合的好处。

    Dec, 2017

  • 用于核高斯混合模型的最优传输

    通过核技巧在再生核希尔伯特空间中提出了计算两个高斯混合模型之间距离的沃瑟斯坦类型度量的方法。

    Oct, 2023