Jan, 2021

小批量最优输运距离；分析与应用

PDF
TL;DR本文提出了一种基于小批量优化技术的最优传输距离计算方法，探讨了该方法的优点和局限，并提出了一种去偏置的小批量最优传输距离函数，并在机器学习中的各种应用中验证了该方法的实用性。
optimal transport distancesmachine learningminibatchdebiasinggenerative adversarial networks
发现论文，激发创造
  • 不平衡小批量最优输运；领域适应应用

    本文讨论了一种使用非均衡最优传输距离结合小批量策略的方法，以在处理大规模数据集时对比一般的优化传输距离更加鲁棒且能够获得更好的实验结果。

    Mar, 2021

  • 小批量 Wasserstein 学习：渐近和梯度特性

    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

  • 小批量数据的传输：一种层次式方法

    我们提出了一种新的小批量最优输运方法 Batch of Mini-batches Optimal Transport（BoMb-OT），它把小批量之间的最优耦合考虑在内，可以看作是在概率测度空间上定义的有效距离的逼近，通过实验表明，BoMb-OT 可以广泛应用于各种应用中，包括深层生成模型，深层领域适应，近似贝叶斯计算，颜色转换和渐变流，并在各种应用中表现良好。

    Feb, 2021

  • 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

  • 应用最优输运改进 GANs

    本文介绍了新兴的生成对抗网络 -- 优化输运生成对抗网络，提升了图像生成模型的稳定性和生成效果，主要特点是利用 adversarially learned feature space 来定义 mini-batch energy distance 度量优化目标，在多个经典 image generation benchmark test 中达到了最好的性能表现。

    Mar, 2018

  • 分析和改进基于 OT 的对抗网络

    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

  • 最优输运用于缺失数据填充

    本研究使用最优传输距离量化了两个随机数据集共享相同分布的假设，并将其转化为缺失数据值的损失函数。我们提出了使用端到端学习最小化这些损失的实用方法，并在 MCAR，MAR 和 MNAR 设置中使用 UCI 存储库中的数据集对我们的方法进行了评估。这些实验表明，即使缺失值的百分比很高，在 OT-based 方法在缺失数据方面与最先进的缺失数据值的整合方法相匹配或优于之前的结果。

    Feb, 2020

  • 通过部分转移改进小批量最优输运

    本文提出了一种基于 Partial Optimal Transport (POT) 的 Mini-batch Partial Optimal Transport (m-POT) 方法，用于解决 Mini-batch Optimal Transport (m-OT) 在大规模应用中因 misspecified mappings 引起的问题，并在各种应用中进行了广泛的实验以证明其性能优于当前的 Mini-batch 方法。

    Aug, 2021

  • 双限制最优输运用于高级聚类和分类

    本文主要介绍了最优传输（OT）的基本概念及其在机器学习中的应用，提出了双重边界最优传输（DB-OT）方法，用于解决实际情况下涉及未确定目标的问题，并应用于聚类和长尾分类任务中，实验证明该方法在测试阶段具有良好的性能。

    Jan, 2024

  • 最优传输：带精确求解器的快速概率逼近

    本文提出了一个基于离散最优输运问题的简单子抽样方案，用于快速随机近似计算最优输运距离。该方案针对完全数据的随机子集操作，可使用任何精确算法作为黑盒后端，包括最先进的求解器和熵惩罚版本。我们给出了其非渐进偏差范围，以针对更高的精度或更短的计算时间进行简化。实验证明，该子抽样方案可以在计算时间大大降低的情况下，获得比精确方法更好的近似效果。

    Feb, 2018