通过单调三角输运映射学习因果图
使用最优传输的方法实现了一个面向许多有向图的参数学习框架,可以灵活地从不完整数据中推断概率有向图模型中的潜在变量。在多个实验中,该方法展示了恢复真实参数和离散表示学习等任务上的优异性能。
May, 2023
本研究提出了第一种从观测和干预数据中学习抽象映射的方法 COTA,通过引入多边际最优传输和干预信息的成本函数,实现了对多个粒度的结构因果模型进行关联的方法,并证明了其在合成和真实世界问题中的优势以及作为数据增强工具的高效性。
Dec, 2023
我们研究了条件最优传输的几何性质并证明了一种推广了 Benamou-Brenier 定理的动力学表述。利用这些工具,我们提出了一种无需模拟的基于流的条件生成建模方法。我们的方法通过三角形条件最优传输方案将任意源分布与指定目标分布相耦合。我们借鉴流匹配的框架,通过近似由该条件最优传输方案诱导的测度测地线路径来训练条件生成模型。我们的理论和方法可在无限维设置中应用,非常适用于逆问题。在实证方面,我们将我们提出的方法应用于两个图像转换任务和一个无限维贝叶斯逆问题。
Apr, 2024
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
本文提出了一种新的框架来有效地对复杂概率分布进行抽样,使用最优传输映射和 Metropolis-Hastings 规则相结合,通过连续传输将典型的 Metropolis 提议机制转换为非高斯提议分布,从而更有效地探索目标密度,并在众多参数推断问题中表现出数量级的速度优势。
Dec, 2014
使用基于最优传输的打分算法,从缺失数据中学习因果结构,通过广泛的模拟和实验,论文证明了该方法在各种模拟和真实数据实验中比基线更有效地恢复了真实的因果图。
Feb, 2024
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
使用因果最优传输(COT)思想定义的 COT-GAN 算法应用于产生顺序数据,使用改进的 Sinkhorn 差异度量学习鉴别器的代价函数,并包括增加的时间因果约束和熵惩罚项。实验表明,该算法在产生低维和高维时间序列数据时具有很好的效率和稳定性。
Jun, 2020
本文提出一个非线性广义离散最优传输模型,可应用于领域自适应和自然语言处理中,同时探索其快速算法和相关属性。Illustrative experiments 展示了模型引导的结构耦合的好处。
Dec, 2017