May, 2023

条件分布间的实证最优传输

PDF
TL;DR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。
发现论文，激发创造
  • 离散概率逆最优输运

    本文通过熵正则化的 Optimal transport（OT）工具，对 Inverse Optimal Transport（IOT）进行正式化和系统分析，包括代价等价成本的流形特性、模型先验的影响以及基于模拟的结果验证等方面。

    Dec, 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

  • 非平衡最优输运半对偶形式生成建模

    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

  • 共同优化传输

    提出一种名为 COOT 的新型最优输运问题，它同时优化两个输运映射，用于异质域适应和聚类数据总结，相比现有的方法，COOT 表现出更高的性能。

    Feb, 2020

  • 通过最优输运量化分布模型风险

    本文提出了一种方法来计算特定概率模型下利益期望，并给出了为不同的概率模型设置偏差范围的基于最优输运的度量方法，同时应用于风险分析。

    Apr, 2016

  • 有监督条件蒙日图训练

    使用 CondOT，一种多任务学习方法，结合上下文变量和部分输入凸的神经网络，可以在给定单细胞的基因或治疗干预效果的情况下，推断出其任意组合的效果。

    Jun, 2022

  • 用于核高斯混合模型的最优传输

    通过核技巧在再生核希尔伯特空间中提出了计算两个高斯混合模型之间距离的沃瑟斯坦类型度量的方法。

    Oct, 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

  • 神经（熵）最优输运的生成条件分布

    学习条件分布是具有挑战性的，因为所需的结果不是单个分布，而是与协变量的多个实例对应的多个分布。我们引入一种新颖的神经自由最优输运方法，旨在有效地学习条件分布的生成模型，特别是在样本量有限的情况下。我们的方法依赖于两个神经网络的极小极大训练：一个生成网络参数化条件分布的逆累积分布函数，另一个网络参数化条件 Kantorovich 势。为防止过拟合，我们通过惩罚网络输出的 Lipschitz 常数来正则化目标函数。我们在真实数据集上的实验结果显示了我们的算法相对于最先进的条件分布学习技术的有效性。我们的实现可以在 https URL 找到。

    Jun, 2024

  • 基于因子耦合的统计最优输运

    本文章提出了一种新的方法来估计高维中两个概率分布之间的 Wasserstein 距离和最优传输方案，该方法可以在各种任务中获得显著的改进，包括单细胞 RNA 测序数据的领域适应性。该方法基于低运输秩的耦合，解决了数据驱动最优传输中的维数灾难，并得到了理论分析的支持。

    Jun, 2018