研究人员推出ITSPACE，一种用于优化Bures-Wasserstein (BW)目标的新方法，该目标源自高斯分布的Wasserstein-2最优传输差异。ITSPACE采用基于平方根分解的闭式更新的近端主化-最小化方法。该方法旨在成为协方差对齐的轻量级基元，在需要计算约束下从无标签目标批次进行适应的场景中特别有效。基准测试表明，ITSPACE在实现低BW间隙解决方案方面显著优于BW梯度下降和其他协方差几何方法。 AI
影响 提高机器学习中协方差对齐任务的效率，可能加速域适应和高斯嵌入流程。
排序理由 该集群包含一篇详细介绍高斯最优传输新优化方法的论文。
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 …