Mar, 2024

基于最优输运的自动异常数据矫正

PDF
TL;DR通过使用凸凹成本函数的最优传输，我们提出了一个新颖的概念框架来检测异常值，并在自动异常值矫正机制中进行了集成和优化，实验证明了我们方法在众多模拟和实证分析中对均值估计、最小绝对回归和期权隐含波动率曲面拟合的有效性和优越性。
outlier detectionoptimal transportconcave cost functionjoint optimization frameworkestimation task
发现论文，激发创造
  • 元学习用于最优输运的无监督异常检测

    本文提出了一种利用元学习自动化检测离群点的新方法，该方法利用最优输运从以前的离群点数据集中提取最佳离群点检测技术，并且我们发现该方法在非监督离群点检测中表现优异，该方法也可以轻松推广到其他非监督设置。

    Nov, 2022

  • Rectified Flow：一种保持边际的最优传输方法

    研究了一种基于流的方法来解决优化运输问题，该方法可通过神经普通可微方程迭代地减少运输成本，同时自动维护边际约束，相对于已有的方法，该方法针对特定运输成本函数且内部减少可行耦合来减少运输成本，是一种单目标变体。

    Sep, 2022

  • 利用最优输运对对抗鲁棒性进行下界限制

    本文研究了机器学习分类器对抗样本（躲避攻击）的鲁棒性，使用最优传输来表征在这一场景下可能的最小损失。作者应用该框架研究了高斯数据的情况，并探究了鲁棒性训练神经网络在 MNIST、Fashion MNIST 和 CIFAR-10 数据集上的最优分类性能与实际性能间的差距。

    Sep, 2019

  • 自适应正则化的最优输运

    优化输运的原始表述引入了严格凸项以减少数值复杂度和增加输运计划的密度。然而，许多公式在输运计划上施加了全局约束，例如依赖于熵正则化。我们引入自适应正则化优化输运（OTARI），它对每个点的质量流入和 / 或流出施加约束，从而减少了质量均衡问题。我们展示了该方法在领域适应中的益处。

    Oct, 2023

  • 通过最优传输表征超出分布误差

    提出了一种新的利用最优传输理论来估计模型在无标签 out-of-distribution 数据上表现的方法，该方法称为置信度最优传输（COT），并且通过引入阈值处理的方法 Confidence Optimal Transport with Thresholding（COTT），可进一步提高精度。在各种标准基准测试中，实验表明 COT 和 COTT 优于现有的最先进方法，预测误差降低了高达 3 倍。

    May, 2023

  • 学习用于最优输运的代价函数

    本文提出了一种无约束凸优化形式的逆向最优输运问题，其中包括了两种数字算法，并使用深度神经网络参数化成本函数，以此解决了现有逆向最优输运方法中前向计算瓶颈的问题，并展示了这种方法的高效性和准确性。

    Feb, 2020

  • 纠错学习的最优传输

    本文介绍了一种广义的纠正学习方法，在优化输运的框架下，利用一个专家代理来改善学习代理的参数估计，该方法可以估计更复杂的特征，并考虑了多个干预策略。

    Apr, 2023

  • 通过逆最优输运学习匹配

    本文提出了一种基于反向最优传输的统一数据驱动框架，可从噪声和不完整的实证匹配矩阵中学习自适应、非线性交互成本函数并在各种匹配环境下预测新的匹配。

    Feb, 2018

  • 非平衡最优输运半对偶形式生成建模

    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

  • 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