Jan, 2024
神经 Sinkhorn 梯度流
Neural Sinkhorn Gradient Flow
Huminhao Zhu, Fangyikang Wang, Chao Zhang, Hanbin Zhao, Hui Qian
TL;DR我们提出了神经 Sinkhorn 梯度流（NSGF）模型，该模型使用神经网络来逼近底层 Wasserstein 梯度流的一部分，通过 Sinkhorn 分歧到目标分布的时间变化速度场的参数化，利用速度场匹配训练方案进行样本估计。理论分析表明，随着样本数量无限增加，经验估计的均场近似收敛于真实的底层速度场。为进一步提高模型在高维任务上的效率，我们设计了一个两阶段的 NSGF++ 模型，首先使用 Sinkhorn 流快速接近图像流形（≤5 次 NFE），然后沿着简单的直线流细化样本。通过合成和真实世界基准数据集的数值实验证明了我们的理论结果并证明了所提出方法的有效性。