新的对偶形式阐明了不平衡熵最优传输的样本复杂度

本文介绍了一种新的不平衡熵最优传输（OT）的对偶形式，重点关注最优耦合水平下的样本复杂度。研究表明，熵正则化对于机器学习应用至关重要，因为它可以减轻维度灾难，减少稳定传输估计所需的样本量，并确保与高效的Sinkhorn类算法兼容。这些发现为在处理嘈杂的经验数据和复杂的概率分布时，这些方法的实际必要性提供了理论支持。 AI

影响 为在机器学习中使用熵正则化提供了理论依据，可能提高模型的稳定性和效率。

排序理由 学术论文，详细介绍了新的理论形式及其对机器学习的影响。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• Connected Papers
• CORE Recommender
• DagsHub
• entropic unbalanced OT
• Gotit.pub
• Hugging Face
• Litmaps
• machine learning
• optimal transport
• ScienceCast
• scite Smart Citations
• Sinkhorn-type algorithms

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →