Jan, 2024

双限制最优输运用于高级聚类和分类

HTML
PDF
TL;DR本文主要介绍了最优传输（OT）的基本概念及其在机器学习中的应用，提出了双重边界最优传输（DB-OT）方法，用于解决实际情况下涉及未确定目标的问题，并应用于聚类和长尾分类任务中，实验证明该方法在测试阶段具有良好的性能。
发现论文，激发创造
  • 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

  • 多模态分布对齐的分层最优输运

    该研究提出了一个基于最优传输与聚类结构相结合的层级对齐方法，同时采用ADMM算法和Sinkhorn距离来提高噪声、模糊或多峰数据的对齐精度，并在合成数据和神经信号解码中进行了应用，表明该方法对于具有一致聚类结构的数据集在跨领域对齐方面具有显著的性能改进作用。

    Jun, 2019

  • 共同优化传输

    提出一种名为COOT的新型最优输运问题，它同时优化两个输运映射，用于异质域适应和聚类数据总结，相比现有的方法，COOT表现出更高的性能。

    Feb, 2020

  • 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

  • 带有群稀疏正则化器的快速正则化离散最优输运

    该论文提出了一种基于 group-sparse 正则化方法的快速离散最优传输算法，该算法可以在保证准确率的前提下提高计算速度，并在无监督域适应等领域有广阔的应用前景。

    Mar, 2023

  • 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

  • 不平衡低秩最优输运求解器

    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

  • 不平衡最优输运遇到切片Wasserstein

    本文提出以切片和非平衡最优运输为基础的一般框架，利用Frank-Wolfe型算法来比较正测度，并概述了它们的统计特性。

    Jun, 2023

  • P$^2$OT：用于深度不平衡聚类的渐进偏差最优输运

    本文介绍了一种新的深度非平衡聚类问题，并提出了一种基于伪标签的学习框架，通过渐进式部分最优输运问题生成偏态感知的伪标签，并从高置信度样本中学习，实验证明了我们方法的优越性。

    Jan, 2024

  • SP$^2$OT：语义规范化的逐步偏差最优传输用于不平衡聚类

    我们提出了一个基于最优传输的伪标签学习框架来解决深度不平衡聚类问题，该框架通过逐步将样本转移到不平衡的聚类中生成高质量且注意不平衡性的伪标签。

    Apr, 2024