关键词optimal transport metrics
搜索结果 - 3
- 使用 Sinkhorn 散度学习生成模型
本文介绍了一种使用最优输送损失的可行计算方法,通过熵平滑和自动微分来减少计算负担、提高稳定性和平滑性,获得鲁棒和可微分的最优输送损失的逼近,从而训练大规模生成模型并补充标准深度网络生成模型的计算机架构。
- 基于分布鲁棒优化的半监督学习
提出了一种基于数据驱动的分布式鲁棒优化和最优运输度量的半监督学习方法,通过使用未标记的数据来限制最坏情况分布的支持,从而提高一般化误差,并证明该方法能够改善一般化误差,具有重要的大样本行为,特别是在半监督学习中降维的作用。
- NIPS学习最优输运度量下的概率度量
通过优化传输度量,在嵌入 Hilbert 空间的流形上估计一种衡量方法,并将量化优化和学习理论联系起来,为无监督学习中经典算法(k-means)的性能提供新的概率界限。在分析的过程中,我们得出了新的下界和概率上界,这些上下界适用于广泛的测度