研究人员引入了潜在匹配最优传输（PMOT），一个利用连续归一化流解决一般$p$-成本最优传输问题的新颖框架。PMOT使用标量势来参数化流的速度场，从而实现精确的$p$-Wasserstein动力学。该框架展示了零损失精确性，并在合成基准测试中显示出学习特定$p$映射的潜力，以及作为高维表格数据的密度模型的潜力。 AI
影响 引入了一种新的最优传输方法，可能增强AI应用中的密度建模和基于样本的匹配。
排序理由 该集群描述了一篇详细介绍最优传输新框架的研究论文。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2608.05666v1 Announce Type: new Abstract: We introduce Potential Matching Optimal Transport (PMOT), a potential-flow framework for general $p$-cost optimal transport with $c_p(x,y)=\|x-y\|^p$. PMOT parameterizes the CNF velocity field with a scalar potential in the generali…
We introduce Potential Matching Optimal Transport (PMOT), a potential-flow framework for general $p$-cost optimal transport with $c_p(x,y)=\|x-y\|^p$. PMOT parameterizes the CNF velocity field with a scalar potential in the generalized Benamou--Brenier form for the chosen exponen…