离散概率逆最优输运
本文提出了一种无约束凸优化形式的逆向最优输运问题,其中包括了两种数字算法,并使用深度神经网络参数化成本函数,以此解决了现有逆向最优输运方法中前向计算瓶颈的问题,并展示了这种方法的高效性和准确性。
Feb, 2020
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
本文研究了基于公共变量的两个联合分布的条件 Optimal Transportation 问题,提出了一种基于 Maximum Mean Discrepancy 的正则化器用于解决连续变量和分布不同的情况,进而实现了条件转移计划的估计和统计一致性证明,并在分类、few-shot 分类和细胞响应预测等领域中进行了实证评估。
May, 2023
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
本文提出基于 Unbalanced Optimal Transport (UOT) 的半对偶形式构建的新型生成模型,相比于基于 OT 的方法在处理噪点,稳定性和训练收敛速度等方面表现更优。通过实验验证了该模型的性质,并研究了 UOT 之间分布差异的理论上界。实验结果显示,该模型在 CIFAR-10 和 CelebA-HQ-256 数据集上的 FID 分别为 2.97 和 5.80,优于现有基于 OT 的生成模型。
May, 2023
提出了一种名为 ProgOT 的新类 EOT 求解器,它能够估计计划和传输映射,通过使用时间离散化分割质量位移、从动态 OT 公式获得启示并利用适当安排的参数使用 EOT 来征服这些步骤,我们提供了实验证据表明,在计算大规模耦合时,ProgOT 是快速且更可靠的替代标准求解器,甚至优于基于神经网络的方法,并且还证明了我们的方法在估计最优传输映射时具有统计一致性。
Jun, 2024