Oct, 2023

求解 Wasserstein 拉格朗日流的计算框架

PDF
TL;DR通过动态形式化的最优输运，结合底层几何学（动能）选择和密度路径（势能）的正则化，构造了多种变分问题（Lagrangians），包括 Schrödinger 桥、非平衡最优输运和具有物理约束的最优输运等。采用双重 Lagrangians 的对偶形式提出了一种新颖的基于深度学习的统一框架，无需模拟或反向传播经过学习动力学的轨迹，并且不需要访问最优耦合。通过在单细胞轨迹推断中融入先验知识，展示了所提框架的多功能性能，从而在正确预测方面优于先前方法。
发现论文，激发创造
  • 可扩展的深度学习方法求解高维动态最优输运问题

    本文提出了一种基于深度学习方法，通过蒙特卡洛方法计算动态高维空间下的最优输运问题的解法。与其他方法相比，我们的方法在更高维度下能够给出更准确的结果，并具有良好的可扩展性。

    May, 2022

  • 具有拉格朗日成本的神经最优输运

    我们研究了具有一种最小作用原理的拉格朗日成本的概率测度之间的最优传输问题，这些推广在将受系统几何影响的物理系统的观测结果连接起来时非常有用，如障碍物（例如，将屏障函数合并到拉格朗日法中），并允许从先验知识、非欧几里得几何中获得基础系统的知识（例如，路径必须是圆形）。我们的贡献具有计算兴趣，我们展示了有效计算测地线和摊销基于样条的路径的能力，这在低维问题中以前从未做过。与以前的工作不同的是，我们还输出了不需要 ODE 求解器的结果拉格朗日最优传输映射。我们通过来自以往工作的低维示例证明了我们的公式的有效性。可以在此 https URL 上获取重复我们实验的源代码。

    Jun, 2024

  • 最优输运与 Schrödinger 桥之间的关系：随机控制视角

    本文从随机控制角度重新审视了最优传输问题与 Schrödinger 桥问题之间的关系，并提出了一些新的发现和解法，特别是我们提出并解决了带先验的流体动力学版本的最优传输问题。

    Dec, 2014

  • 基于得分的生成神经网络用于大规模最优传输

    本文提出了一种基于得分的生成模型，通过 Langevin 动态学习和采样源数据和目标数据之间的 Sinkhorn 耦合，从而解决大规模最优输运问题。

    Oct, 2021

  • 切片 - 瓦瑟斯坦流：通过最优输运和扩散的非参数生成建模

    本研究提出了一种基于梯度流的、无需参数的算法，用于学习复杂数据集的潜在分布和从中进行抽样。该算法是建立在隐式生成建模 (IGM) 与最优输运之间的联系理论基础上，并通过泛函优化问题的方式得以实现。通过梯度流和随机微分方程的联系，该算法既能高效地解决优化问题，还提供了理论分析和有限时间误差保证。实验结果表明，该算法能够成功地捕捉不同类型的数据分布结构。

    Jun, 2018

  • 最优传输与投影寻踪下的时间相关密度生成建模

    本文提出了一种用于生成模型的廉价替代方案，该方案使用投影优化器以及输运样条来加入连续的样本并插值演变密度，比起基于时间而条件的现有流模型具有高度的竞争力，适用于一系列高维度问题。

    Apr, 2023

  • 基于流量的分布鲁棒优化

    我们提出了一种计算效率高的框架，称为 FlowDRO，用于解决基于流的分布鲁棒优化（DRO）问题，该框架利用 Wasserstein 不确定性集，并要求最差情况分布（也称为最不利分布，LFD）连续，从而使该算法能够在具有更大样本量的问题中进行扩展，并为引入的鲁棒算法提供更好的泛化能力。

    Oct, 2023

  • 梯度流与最优输运的讲义

    本文简要阐述了在度量空间中梯度流的最强变分形式及其在概率测度的 Wasserstein 空间中扩散方程的应用，这些笔记是第二作者在 2009 年 6 月 22 日至 26 日的格勒诺布尔夏季学校 “最优输运：理论与应用” 中所作的一系列讲座的基础。

    Sep, 2010

  • 运输，变分推断和扩散：在 退火流和薛定谔桥 的应用

    该论文探讨了最优输运和变分推理之间的关系，并提出了一系列采样和生成建模的新技术，其中涉及随机微分方程和 Girsanov 转换等内容。

    Jul, 2023

  • 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