研究人员推出了一种新颖的两步法BROT（Barycentric Regression for OT，用于OT的重心回归），用于估计最优传输（OT）图，这对于在机器学习中对齐概率分布至关重要。该方法首先计算无正则化的OT计划，然后采用通过最小二乘回归训练的深度神经网络来近似重心目标。理论证明，在地面真实OT图的Lipschitz连续性条件下，BROT可以实现minimax最优收敛速率。在合成和图像数据集上的实证评估表明，BROT在图估计、分布匹配和传输成本方面具有准确性，优于现有方法，并在单细胞扰动预测和无监督域适应等下游任务中显示出潜力。 AI
影响 引入了一种统计最优的概率分布对齐方法，有望提高各种机器学习应用的性能。
排序理由 该集群包含一篇研究论文，详细介绍了机器学习中一种新的最优传输图估计方法。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- Brot
- Deep Barycentric Regression
- deep neural network
- Lipschitz
- machine learning
- optimal transport
- single-cell perturbation prediction
- Unsupervised Domain Adaptation in Brain Lesion Segmentation with Adversarial Networks
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
