本文提出了一种基于最优传输理论的无监督去噪学习标准,该标准具有优秀的性质,能够实现近乎完全保留信号信息并实现感知重构。实验结果表明,该方法比监督方法具有更好的感知重构和更高的峰值信噪比,尤其在复杂噪声等恶劣实际条件下表现出卓越的优越性。
Aug, 2021
该研究介绍了一种基于神经网络的算法,用于计算强和弱输运成本的最优输运图和计划,并证明了神经网络是概率分布之间传输计划的通用逼近器。通过在玩具示例和非成对图像翻译上评估我们的最优输运算法的性能。
Jan, 2022
通过最优输运理论,本文在群体层面提出了一种新的基于最优输运的去噪器,证明了其良好定义性和唯一性,并与一种 Monge OT 问题的解紧密相关。特别是,在指数分布的情况下,可以仅通过边际分布来恢复基于最优输运的去噪器。
Dec, 2023
本文提出一种稀疏感知的最优传输 (SOT) 准则,通过利用 OT 框架中的降级疏松性,可以在无监督的恢复学习中显着提高性能,特别是在超分辨率和去雾等任务上。实验结果表明,SOT 可以在这些任务中显著优于现有的无监督方法,接近于最优监督方法的表现。
Apr, 2023
零样本模型在预训练时遗传了一些问题,其中一个特别有害的问题是由于不平衡的网络规模预训练数据导致的标签分布不匹配。我们引入了一种简单且轻量级的方法,通过最优传输来调整预训练模型的预测结果,在广泛的零样本图像和文本分类任务中实验证实了我们的方法能够在准确率上提高 4.8% 和 15.9% 的平均值,并在 21 个数据集中的 17 个中击败了类似 Prior Matching 的基线方法。
Apr, 2024
本研究介绍了在 MetaDL Challenge 2020 中排名第二的基于元学习的方法,在少量标注数据的情况下,通过修改隐空间中每个类别的分布来更好地对齐高斯分布,并利用期望最大化算法进一步对齐类别中心,使用 Sinkhorn 算法的最优传输映射。实验证明,该方法优于先前的研究以及使用 KNN 算法、高斯混合模型等其他算法的变体。
Feb, 2021
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
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
算法公平性和不公平结果的可解释性对于在医疗保健和执法等领域建立人工智能系统的信任和问责是至关重要的。我们提出了一种基于最优运输理论的全面方法,通过发现图像中有偏差区域的原因和影响来建立模型的解释性。这些发现对于开发值得信赖、公正的 AI 系统,在各个领域的决策中提供透明、问责和公平具有重要意义。
Aug, 2023
该论文提出了一种在潜在的全局转换情况下进行离散最优传输的通用框架,并通过采用灵活类的不变性来选择转换进行联合最优化求解,成功解决了包括无监督词汇翻译基准在内的各种任务。
Jun, 2018