Feb, 2022

度量学习增强的生物化学回归域自适应最优输运

PDF
TL;DR本文提出使用最优传输算法（OT）进行表示对齐，解决生物医学应用中的连续标签回归任务问题。通过提出新的测度域距离和引入后验方差正则化的方法，进一步为拓展任务提供了支持。此外，提出了将 OT 与度量学习相结合的方法，通过动态层次三重损失函数来描述全局数据分布，试验证明该方法在未监督和半监督学习任务的小分子和材料晶体数据上显著优于现有方法。
发现论文，激发创造
  • 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

  • 基于度量相似性学习的最优传输域泛化

    我们提出了一种基于优化输运的机器学习方法，该方法不仅提取不变特征，而且在提取特征时还限制了标签相似性，以实现跨多个领域的分类。实验结果表明，该方法优于大部分基线方法，各组件的消融研究也证明了方法的有效性。

    Jul, 2020

  • 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

  • 大规模最优输运和映射估计

    本文提出了一个新颖的两步方法来解决基本问题，即从一个分布学习到另一个分布的最优映射，首先我们学习一个最优传输（OT）方案，其次我们估计 Monge 映射作为一个深度神经网络，演示了我们的建议方法在域适应和生成建模方面的应用。

    Nov, 2017

  • 通过最优传输对一个模型在未知领域的测试性能进行评估

    利用仅在测试时可用的信息（如模型参数、训练数据或其统计信息以及未标记的测试数据），我们提出了一种基于最优输运的测度，与机器学习模型在未知领域的性能高度相关，并且高效可计算。通过对常用基准数据集及其损坏数据进行广泛的经验评估，证明了我们的测度在估计模型在各种实际应用中的性能方面的效用，包括选择源数据和架构以获得最佳未知领域数据性能的问题，以及在测试时预测已部署模型在未知领域的性能的问题。我们的经验结果表明，我们的测度综合使用源领域和未知领域的信息，与模型的性能高度相关，在相关性方面显著优于仅使用未知领域数据计算的流行预测熵测度。

    May, 2024

  • 具有鲁棒性的最优输运及其在生成建模和域自适应中的应用

    本文提出了一种鲁棒性的 Optimal Transport（OT）形式，以解决数据中异常值的问题，并应用于深度学习中的 GAN 和领域适应问题，同时在实验中证明了该方法的有效性。

    Oct, 2020

  • 领域自适应的最优传输

    该研究提出了一种规范化的非监督最优运输模型，通过找到公共表示来在源域和目标域之间执行两个领域的对齐，从而在标记和未标记的数据中同时利用了源和目标领域中的信息，该模型在可视化自适应方面表现优异。

    Jul, 2015

  • OTMatch：以最优传输方式改进半监督学习

    本文介绍了一种新的方法 OTMatch，通过使用最优输运损失函数，利用类别之间的语义关系，提高半监督学习的性能。与现有最先进的方法 FreeMatch 相比，在 CIFAR-10、STL-10 和 ImageNet 数据集上分别实现了 3.18%、3.46% 和 1.28% 的错误率降低，证明了我们方法在半监督学习中利用语义关系提升学习性能的有效性和优越性。

    Oct, 2023

  • 元最优输运

    该论文研究了利用折旧优化技术来预测最优输运映射的应用，称之为 “元优化传输”（Meta OT)。它提高了标准方法的计算效率，并改进了收敛速率。

    Jun, 2022

  • 从子集一一对应关系学习运输成本

    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