在瓦瑟斯坦空间中使用连续平均进行高效的轨迹推理
利用最优输运的几何特性提出了一种新的光滑插值概率测度的方法,并将问题简化为经典的欧几里得设置,使我们可以直接利用样条插值的广泛工具箱。与以前的测量值样条的方法不同,我们的插值曲线(i)具有自然的粒子流控制解释,这对于应用非常自然,并且(ii)附带了 Wasserstein 空间上的第一个近似保证。最后,展示了利用薄板样条拟合测度曲面的插值方法的广泛适用性。
Oct, 2020
该研究论文介绍了一种基于 Wasserstein 梯度流的扩散过程的新近似推理方法,该方法直接在连续函数空间中计算 Wasserstein 梯度流,并具有可比拟的过滤能力。
Jun, 2018
在概率密度空间中,我们将 Wasserstein 测地线扩展到更高阶的插值,如三次样条插值。我们提出了一种基于路径空间上变分问题简化松弛的方法,并探索了两种不同的数值方法,一种基于多重边际最优运输和熵正则化,另一种基于半离散最优运输。
Jan, 2018
在这项研究中,我们探讨了在概率空间上定义的 Sobolev 平滑函数的数值逼近的挑战性问题。我们采用三种基于机器学习的方法,通过求解有限个最优传输问题和计算相应的 Wasserstein 潜势,使用 Wasserstein Sobolev 空间中的经验风险最小化和 Tikhonov 正则化,以及通过表征 Tikhonov 泛函的 Euler-Lagrange 方程的弱形式来解决这个问题。作为理论贡献,我们对每种解决方法的泛化误差提供了明确且定量的界限。在数值实现中,我们利用适当设计的神经网络作为基函数,经过多种方法的训练,使我们能够在训练后快速评估逼近函数。因此,我们的构造性解决方案在相同准确性下显著提高了评估速度,超过了现有方法数个数量级。
Oct, 2023
本文介绍利用 Wasserstein 距离和最优输运理论分析数据集中随机概率测度(如多重直方图或点云)的最新统计学贡献,并重点介绍在 Wasserstein 空间中使用重心和测地线 PCA 的好处,用于学习数据集中几何变化的主要模式。同时,本文讨论了与统计优化输运相关的一些研究方向。
Jul, 2019
本文介绍了变分推断和 Wasserstein 梯度流之间的联系,通过将 Bures-Wasserstein 梯度流转化为欧几里德梯度流,并使用路径导数梯度估计器生成梯度场,同时提供了一种新的梯度估计方法适用于 $f$-divergences 的拓展。
Oct, 2023
本文介绍了基于 Wasserstein 变分推断的一种新的近似贝叶斯推断方法,该方法使用了包括 f - 分布和 Wasserstein 距离在内的一种新的差异度量方式,通过 Sinkhorn 迭代,该技术可以获得非常稳定的无似然训练方法,并且可以用于隐式分布和概率编程,同时应用于多种自编码器实验中,对其鲁棒性和性能进行了测试。
May, 2018
该研究提出一种基于 divide-and-conquer 的贝叶斯推断方法,该方法通过将数据分成小的子集来进行后验推断,然后将所有子集的后验样本组合起来来近似全数据后验分布,在 Wasserstein 空间中组合由不同子集估计的后验分布,这种几何方法比其竞争对手更好地近似完整数据的后验分布。
Aug, 2015
本研究通过使用 Wassersplines 方法实现了基于训练速度场的非结构密度轨迹推断来模拟 CG 动画。该方法可以在不使用网格和骨骼系统的情况下产生出有时序上连续的高质量动画。
Jan, 2022