Dec, 2020

基于最优输运的双曲空间表示对齐方法

PDF
TL;DR本研究提出了一种基于用于超平面空间上的点缀 Lorentz 测地空间的大旋量空间上的 gyrobarycenter 映射的正式主义，其衍生出对某些现有欧几里得变换方法到其双曲对应的 OT 的扩展，在检索方面 Euclidean 方法和 hyperbolic 方法具有类似的性能。
hyperbolic-spacesoptimal transportembeddingsdomain adaptationmachine learning
发现论文，激发创造
  • 超越不变表示学习：线性可对齐潜空间进行高效的解析域自适应

    本文提出了一种基于最优传输的领域适应方法，使用仿射映射的封闭形式解决方案，并学习一个嵌入空间，使得该解决方案是最优且计算复杂性较低的。我们证明了该方法在同质和异质适应设置中均有效，并且优于或与其他基于传统 OT 和不可比空间的著名基线相当。此外，我们展示了我们的方法大大降低了计算复杂性。

    May, 2023

  • 多模态分布对齐的分层最优输运

    该研究提出了一个基于最优传输与聚类结构相结合的层级对齐方法，同时采用 ADMM 算法和 Sinkhorn 距离来提高噪声、模糊或多峰数据的对齐精度，并在合成数据和神经信号解码中进行了应用，表明该方法对于具有一致聚类结构的数据集在跨领域对齐方面具有显著的性能改进作用。

    Jun, 2019

  • 词嵌入空间的 Gromov-Wasserstein 对齐

    本文将跨语言对应问题直接建模为最优传输问题，通过利用测度恢复算法所产生的词嵌入，使用 Gromov-Wasserstein 距离测量不同语言中单词对的相似度，并证明了该模型在无监督翻译任务中表现良好，效果与当前最先进技术相当。

    Aug, 2018

  • 点集分类的线性最优传输子空间

    通过线性最优传输（LOT）变换构建凸数据空间的方法，对于在空间变形下的点集分类问题具有标签效率、非迭代性和无超参数调整的特点，在各类点集分类任务上取得竞争性的准确率，并在训练和测试分布变化较大的情况下展现出鲁棒性。

    Mar, 2024

  • 生成熵神经最优传输在空间内和空间间的映射

    学习度量到度量映射是机器学习中的一项关键任务，而神经最优输运方法（Neural OT）结合了神经网络模型和最优输运理论，将最优输运作为归纳偏置，并通过实验表明其在单细胞生物学中具有实用性。

    Oct, 2023

  • 隐式贝叶斯自适应：一种协同传输方法

    通过将度量空间从欧氏距离度量更改为测地距离度量，将先前的最优传输模型扩展到内在表示的领域自适应问题，并通过引入簇先验结构构建了一个隐式贝叶斯模型来提高数据的鲁棒性。

    Apr, 2023

  • 基于优化传输和嵌入方法的无监督图对齐中提供更多表达性

    无监督图对齐通过仅利用图结构和节点特征确定带属性图的一对一节点对应关系。我们提出一种名为 CombAlign 的模型框架，将计算节点表示并匹配近似嵌入的方法与确定最优传输的 Gromov-Wasserstein 学习相结合，通过特征转换、基于嵌入的启发式方法和优化权重匹配的约束，逐步优化节点对齐，实验证明在对齐准确性上较现有方法显著改进。

    Jun, 2024

  • 高维数据的非线性对齐和联合嵌入的熵最优传输特征图

    提出了一种使用 extit {Entropic Optimal Transport (EOT) eigenmaps} 方法来对齐和共同嵌入一对数据集的原则性方法，利用两个数据集之间的 EOT 平面矩阵的主导奇异向量提取它们的共享潜在结构并在一个公共嵌入空间中对齐数据集。该方法在高维情形下能恢复共享流形结构，与经典的 Laplacian eigenmaps 和 diffusion maps embeddings 有类似的有利特性，并且在模拟和真实生物数据分析中显示了相对于替代方法的优势。

    Jul, 2024

  • 高维图距离、嵌入对齐等场景下能够扩展的最优传输算法

    本文提出两种有效的对数线性时间逼近方法来计算熵正则化最优输运问题，并提出了一种结合图神经网络和增强 Sinkhorn 的图输运网络，并实验证明它在节点数量方面具有对数线性的规模，并在图距离回归方面优于以前的模型 48%。

    Jul, 2021

  • 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