Jun, 2023

机器学习中的最优传输近期进展

PDF
TL;DR本研究综述了 Optimal Transport 在机器学习中的应用，特别关注于监督、无监督、迁移和强化学习领域，并重点介绍了计算 Optimal Transport 的最新发展及其与机器学习实践的相互作用。
optimal transportmachine learningprobability distributionsgenerative modelingtransfer learning
发现论文，激发创造
  • 机器学习中的最优传输综述：大数据时代的地球运动员

    本文讨论了在机器学习中优化传输（Optimal Transport）的应用，侧重于可扩展性问题，并提供了优化传输问题的全面综述。作者提出了现有文献中用于解决优化传输可扩展性问题的方法，并对这些方法进行了系统分析，并提出了未来研究方向和挑战。

    May, 2023

  • 结构化最优输运

    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

  • 结合强化学习和最优传输的旅行商问题

    利用熵正则化最优传输技术作为深度强化学习网络中的一层，以实现更快速的学习并在端到端训练期间强制执行分配约束和规定，从而对于解决组合优化问题的效率进行优化。

    Mar, 2022

  • 在大规模最优输运问题上的可扩展和高效计算

    提出了一种名为 SPOT（Scalable Push-forward of Optimal Transport）的基于隐式生成学习的方法来解决 “最优传输”（Optimal Transport，OT）中的可扩展性问题，该方法通过引入参考分布而近似最优传输计划，并将其转化为极小极大问题。实验结果表明 SPOT 系统具有可靠性和较好的收敛性，并允许从最优传输计划中高效采样，从而有利于领域适应等下游应用。

    May, 2019

  • 使用最优传输学习有向图模型

    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

  • 关于不可比空间的最优输运问题的贡献

    该论文讨论了 Optimal Transport 在不同空间中的运用，尤其是研究了如何在图形和结构化数据之间定义和应用 Optimal Transport，特别是在这些数据属于不可比较空间时如何完成适应操作。该文提出了一组 Optimal Transport 工具，其中包括对 Gromov-Wasserstein 距离的研究，其性质可以定义不同空间中的有趣运输问题。我们分析了各种工具的数学性质，建立了计算它们的算法解决方案，并研究了它在许多机器学习场景中的适用性，其中包括分类和简化、结构数据分区以及异构域适应。

    Nov, 2020

  • 神经最优传输

    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

  • 学习最优输运度量下的概率度量

    通过优化传输度量，在嵌入 Hilbert 空间的流形上估计一种衡量方法，并将量化优化和学习理论联系起来，为无监督学习中经典算法（k-means）的性能提供新的概率界限。在分析的过程中，我们得出了新的下界和概率上界，这些上下界适用于广泛的测度范围。

    Sep, 2012

  • 元学习用于最优输运的无监督异常检测

    本文提出了一种利用元学习自动化检测离群点的新方法，该方法利用最优输运从以前的离群点数据集中提取最佳离群点检测技术，并且我们发现该方法在非监督离群点检测中表现优异，该方法也可以轻松推广到其他非监督设置。

    Nov, 2022

  • 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