- 网络回归的最优输运方法
我们研究了网络回归问题,通过基于弗雷歇平均和使用 Wasserstein 度量的广义回归模型,提出了一种网络回归方法。通过将图形表示为多变量高斯分布,我们展示了网络回归问题需要计算一个 Riemannian 中心(即 Frechet 平均) - Wasserstein 度量空间中的规范变量
本文提出了一种基于 Wasserstein 度量的分布化空间中的实例分类方法,其中包括使用 k 最近邻算法、k 均值聚类和伪混合建模等基于距离的分类算法。通过最大化 Fisher 比例的原则,通过迭代算法在向量空间中进行比例最大化来实现此方 - Wasserstein 虫洞:基于 Transformer 的可扩展最优传输距离
通过将经验分布嵌入到潜在空间中,使欧式距离近似于最优输运距离,Wasserstein Wormhole 提供了一种可扩展且可解释的方法,用于计算最优输运距离,并在计算几何学和单细胞生物学领域的数据分析中开辟了新的研究方向。
- 状态空间系统作为动态生成模型
一种基于概率的框架,用于研究确定性离散时间状态空间系统在输入和输出过程之间引入的依赖结构;在满足一定的条件下,这种系统成为两个序列空间之间的概率依赖关系的生成模型,且使用 Wasserstein 度量时,确保输出连续依赖于输入;通过该方法可 - 最优输运理论与多智体强化学习之间的协同作用
这篇论文研究了最优输运理论与多智能体强化学习的整合,利用最优输运处理分布和运输问题以增强多智能体强化学习的效率、协作性和适应性。优化资源分配、协调智能体政策、适应动态环境变化和提高能源效率是最优输运对多智能体强化学习产生的影响的五个关键领域 - 快速双子梯度优化随机核之间的综合运输距离
一种新的概率核心间距离,综合运输距离的广义 Wasserstein 度量,为 Markov 系统的概率核心之间建立了一种新颖的距离。这种度量技术为一种高效的近似方法奠定了基础,能够用有限集合元素支持的核心替代原始系统的核心。为了方便实际实施 - 离线(多通道)随机梯度下降法中的近似重尾问题
我们研究了随机梯度下降(SGD)在实际环境中可能展现出重尾行为,并且尾部的重度可能与整体性能有相关性。我们的贡献在于填补了单次通过(online)SGD 和多次通过(offline)SGD 之间在实际数据量有限情况下,生成重尾行为的机制仍不 - DECWA:基于 Wasserstein 距离的密度聚类
通过提出新的聚类特征和一种基于空间密度和概率方法的聚类算法,本研究在广泛的数据集上展示出较其他先进的基于密度的聚类方法更好的性能。
- 使用条件风险价值和可微凸规划的 Wasserstein 分布鲁棒控制屏障函数
提出了一种分布鲁棒 CBF(DR-CBF)方法,通过使用 Wasserstein 度量来测量分布偏移,实现了目标函数的三层规划,并应用不同 iable 凸规划技术来确保条件风险值的前不变性,为了验证分布偏移下的机遇约束安全保证在一阶和二阶系 - 非线性自编码器
该研究探讨了使用无香精变换来改进变分自编码器生成模型的表现,使用更具信息量和低方差的后验表示来确保更高质量的重建,并使用 Wasserstein 分布度量来替换 KL 散度以允许更快的后验分布,最后得到了一种竞争力强的确定性采样 VAE,可 - 图的 Bures-Wasserstein 平均值
本文提出了一种基于嵌入空间和 Wasserstein 距离度量的图平均值定义框架,可通过迭代算法计算得出可保留结构信息的均值图,该框架在结构图聚类、功能脑网络分类和半监督节点分类中表现优异,是一个有价值的实用工具。
- MM测度上极小最大值均衡的同时传输演化
本文利用熵正则化方法,通过针对概率测度空间上的混合平衡点问题,采用对称梯度升降法求解 Wasserstein 距离来解决最小化最大问题,并取得全局收敛性。同时,提出 Wasserstein 几何下的凸凹可用于解决相关熵正则化的损失函数。
- 通过最优传输的 k-Mixup 正则化深度学习
该研究旨在扩展 Mixup 以提高其对数据结构的利用能力,通过使用 Wasserstein 度量和位移插值将 $k$-batches 的训练点方向扰动到其他 $k$-batches,从而实现 $k$-mixup。实验结果表明,使用 $k$- - 使用输入凸神经网络来优化概率空间上的泛函
该研究使用输入凸神经网络来近似 JKO 方案,并在控制分子生成试验中实验验证其可行性和有效性。
- 通过稳健的变分自编码实现新颖性检测
本文提出了一种新的鲁棒性较高的异常检测方法,使用改进过的 Variational Autoencoder (VAE) 模型,在处理高度噪声的训练数据时具有较好的鲁棒性,并在标准基准测试中取得了最新的成果。
- MMWasserstein 型度量间的强等价
研究发现,投影 Wasserstein 距离度量方式和传统 Wasserstein 距离度量方式具有强等价性,特别地,sliced Wasserstein 距离度量方式不具备这种性质,这使得投影 Wasserstein 距离度量方式在数据科 - Wasserstein 平滑:对抗 Wasserstein 攻击的可靠鲁棒性保证
本文提出了第一个具有认证鲁棒性的防御网络,以抵御基于 Wasserstein 度量的对抗攻击,并证明该防御方法在 MNIST 和 CIFAR-10 数据集上能显著提高精度。
- WGANs 估计 Wasserstein 度量的表现如何?
本文研究生成对抗网络中用于逼近 Wasserstein 度量的方法,考虑到 $c$-transformation 的使用可以更精确地估计真实的 Wasserstein 度量,但在生成模型方面,$c$-transformation 不是表现最 - 对抗训练图形卷积网络实现缺失数据插值
本论文提出了一种更通用的缺失数据填充 (MDI) 框架,使用图神经网络 (GNNs) 建立自编码器与边表征向量,通过多个损失函数提升性能。本方法在大规模实验中表现优于现有 MDI 方法,在大量缺失值时尤为明显。
- CVPR基于 Sliced Wasserstein 距离的无监督域自适应
本文提出了一种基于任务特定决策边界和 Wasserstein 度量的领域自适应的特征分布对齐方法,即切片 Wasserstein 差异。实验表明该方法在数字和标志识别、图像分类、语义分割和目标检测上都具有有效性和普适性。