本文针对最优输送(Optimal transport)理论的计算和统计问题,提出了一种新的基于树度量的方法:树切片 Wasserstein 距离。通过使用随机树评估度量,该方法可以在低或高维空间中自适应地计算 Wasserstein 距离的平均值,并通过正定核与其他基线进行比较。
Feb, 2019
使用投影和子空间的替代方法优化原始的最优输运问题,同时研究其在不同领域的应用,包括黎曼流形、不平衡最优输运问题、梯度流和概率测度空间中的 Busemann 函数以及 Gromov-Wasserstein 距离的推广。
Nov, 2023
本文提出了一种基于图测度空间的概率测度支持的 Sobolev transport metric, 该度量具有计算速度快和负定性等优点,并且可以用于构建正定核,在文本分类和拓扑数据分析中表现良好。
Feb, 2022
该论文介绍了交通运输问题在机器学习中的应用:近期的研究针对交通运输问题的计算和建模限制提出了新的方法,其中包括熵正则化和基于低秩矩阵的线性时间解算方法,以及基于惩罚项促进质量守恒的不平衡交通运输方法,该论文提出了一种将这两种方法结合的算法,并通过实际应用于空间转录组匹配问题证明了该方法的实用性。
May, 2023
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。
通过引入高斯平滑的方法,本文提出了一种新颖的高斯平滑最优输运(Gaussian-smoothed OT)框架,以在保持 1-Wasserstein 度量结构的同时消除了实证逼近的维数诅咒,并在实证研究中证实了其可行性和优越性,为信息科学领域中的最优输运理论和应用提供了新思路。
Jan, 2020
提出一种新的基于 Gromov-Wasserstein 距离的分歧方法,称为 Sliced Gromov-Wasserstein,它可以通过分片方法处理大规模分布,并在实验中证明了其与 GW 相比处理能力更强但计算速度更快。
May, 2019
计算机视觉和图形领域,使用功能映射和最优传输处理非刚性形状匹配问题,采用切片沃舍尔斯坦距离作为最优传输度量,在无监督形状匹配框架中通过功能映射正则化和源自切片沃舍尔斯坦距离的最优传输损失增强形状特征对齐,同时采用熵正则化最优传输的自适应细化过程进一步提高准确的点对点对应关系,有效地处理非刚性形状匹配,包括近等度和非等度情景,并在分割转换等后续任务中表现出卓越性能。
Mar, 2024
在这份研究论文中,我们探讨了在已知非欧几里德几何特性的数据上,机器学习方法在黎曼流形上的应用以及最优输运方法在该领域的研究。我们提出了在卡尔曼 - 哈达玛德流形上的分片瓦砾斯坦距离,该方法在欧几里德空间上具有闭合解,并且我们还探索了该方法在其他几何空间的应用,以及近似计算其瓦砾斯坦梯度流的非参数方案。
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