有监督条件蒙日图训练
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
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
我们提出了两种神经网络方法来近似求解静态和动态条件优化传输问题(COT),这两种方法能够对条件概率分布进行抽样和密度估计,在贝叶斯推断中是核心任务。我们的方法将目标条件分布表示为可处理的参考分布的转换,因此属于测度传输框架。这些方法利用了 COT 问题的静态和动态公式的结构,通过神经网络来参数化 COT 映射以提高可扩展性。我们通过使用基准数据集和贝叶斯反问题将其与最先进的方法进行比较,证明了它们的有效性和效率。
Oct, 2023
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
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
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