用神经最优传输估计分布的重心
本文通过随机算法来计算具有 Wasserstein 距离下的一组概率分布的重心,该方法不同于以往的方法,可以适用于连续输入分布,并允许在每个迭代中调整重心的支持,该算法能够恢复出一个锐利的输出,其支持集合包含在真实重心的支持集合内,并能在一些例子中恢复出比以前更有意义的重心。该方法具有广泛的适用性,可扩展到生成给定分布的超级样本和恢复蓝噪声近似等应用。
Feb, 2018
本文研究了 Wasserstein 空间中随机概率测度的重心。利用对偶论证方法,我们对具有紧支撑随机概率测度的各种参数类别的人口重心进行了精确的描述。特别地,我们将 Agueh 和 Carlier(2011)中引入的水斯坦空间中的平均和固定参考测度相对于最优传输映射的期望联系起来。我们还讨论了这种方法在信号和图像处理的可变形模型分析中的有用性。 在这种情况下,我们也考虑从 n 个独立且同分布的随机概率测度中估计人口重心的问题。
Dec, 2012
该论文提出了一种可扩展的算法,用于计算 Wasserstein-2 重心,针对输入测量,其不仅限于离散形式,并使用输入凸神经网络和周期一致性正则化以避免引入偏差,并提供了误差界的理论分析,以及在低维定性情景和高维定量实验中提出的方法的实证证据。
Feb, 2021
本文提出两种算法来计算一组经验概率测度的 Wasserstein barycenters,其中包括使用 entropic 正则化来平滑 Wasserstein distance 的方法,并使用矩阵缩放算法计算其梯度,这些算法可用于可视化大量图像并解决约束聚类问题。
Oct, 2013
通过引入随机算法,该研究提出了一种计算连续分布的 Wasserstein 重心的有效在线算法,该算法基于优化输运理论和 Wasserstein 重心,并使用其对偶势隐式地参数化了该问题。
Aug, 2020
本文介绍了一种半离散的无障碍通信、并行算法用于计算连续输入分布的 Wasserstein barycenter,该算法能够跟踪输入的分布情况,适用于 Bayesian 推理和连续数据流处理任务。
May, 2017
本文研究了 Wasserstein barycenters 在离散情况下的理论结果和应用,揭示了离散 Wasserstein barycenters 必须也是离散度量,且有可证明的稀疏驻点,同时提供了一个固定货物和不同需求分布情况下的最优库存分布的 proof-of-concept 计算方法。
Jul, 2015
本文提出了一种基于 Kantorovich 对偶的 Wasserstein-2 距离及最近的输入凸神经网络结构的新颖可扩展算法,它只需要从边缘分布中获取样本,无需查询边缘分布,即可以用生成模型表示 Barycenter,并比较了其在多个实验中与现有方法的优越性。
Jul, 2020
本文证明了计算 Wasserstein barycenters 的困难性,在任何维度上都具有指数时间复杂度,这揭示了一个 “维度诅咒” 现象,并延伸到其他 Optimal Transport 度量的概率分布。
Jan, 2021
提出了一种新的算法,用于近似连续熵正交传输(EOT)重心,该方法建立在弱正交传输的基础上,具有优越性能,并与基于能量的模型(EBMs)学习流程无缝连接,为验证,考虑了几个低维场景和图像空间设置,包括非欧几里得成本函数,并探讨了在经过预训练的生成模型生成的图像流形上学习重心的实际任务,为实际应用开辟了新的方向。
Oct, 2023