研究人员开发了 ITSPACE，一种用于优化 Bures-Wasserstein (BW) 目标的新型迭代方法，该方法精确测量高斯分布之间的最优传输差异。该方法利用源自平方根分解的闭式更新，确保正半定结构保持并支持秩受限因子。ITSPACE 被设计为一种高效的内循环基元，用于域适应和高斯嵌入，特别是在具有无标签目标批次和严格计算约束的情况下。实证结果表明，与现有的梯度下降和样本最优传输基线相比，ITSPACE 能显著更快地收敛到低 BW 间隙解。 AI
影响 为域适应等机器学习任务中的协方差对齐引入了更有效的方法。
排序理由 该集群包含一篇学术论文，详细介绍了一种优化机器学习中特定目标函数的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.30523v1 Announce Type: cross Abstract: Covariance matrices serve as compact descriptors of feature distributions in many machine-learning pipelines, including domain adaptation and Gaussian embeddings. Under a centered Gaussian approximation, the unregularized Wasserst…
Covariance matrices serve as compact descriptors of feature distributions in many machine-learning pipelines, including domain adaptation and Gaussian embeddings. Under a centered Gaussian approximation, the unregularized Wasserstein-2 optimal-transport (OT) discrepancy admits a …