神经蒙古地图的不平衡性改进了非配对领域翻译
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
本文提出了一种名为 NubOT 的神经非平衡最优输运 (OT) 方案,针对单细胞生物学领域中在不同时间点上获取的未配对分布或人群的比较问题,通过半耦合形式学习数据分布之间的最优耦合,解决了传统 OT 中质量守恒假设在人群大小变化时的不平衡场景下失效的问题,并应用到肿瘤细胞药物敏感性预测中,获得了明显的优化效果。
Sep, 2022
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。
May, 2023
利用一类神经背景成本函数的蒙热映射已知形式,我们构建了一个可微分的蒙热映射估计器,其可以根据已知信息优化,从而适应于特定问题的最优输运映射和相应背景成本函数的学习。该方法通过合适的损失函数,提供了一种利用关于蒙热映射本身的先前信息来学习适应于最优输运映射和背景成本函数的通用方法。
Jun, 2024
本文提出使用最优传输算法(OT)进行表示对齐,解决生物医学应用中的连续标签回归任务问题。通过提出新的测度域距离和引入后验方差正则化的方法,进一步为拓展任务提供了支持。此外,提出了将 OT 与度量学习相结合的方法,通过动态层次三重损失函数来描述全局数据分布,试验证明该方法在未监督和半监督学习任务的小分子和材料晶体数据上显著优于现有方法。
Feb, 2022
学习度量到度量映射是机器学习中的一项关键任务,而神经最优输运方法(Neural OT)结合了神经网络模型和最优输运理论,将最优输运作为归纳偏置,并通过实验表明其在单细胞生物学中具有实用性。
Oct, 2023
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