一篇新的 arXiv 论文探讨了 Gromov-Wasserstein (GW) 距离的性质,这是一种比标准线性最优传输更复杂的度量形式。研究调查了 GW 最优传输方案是否稀疏,是否可以由排列支持,以及是否遵循循环单调性。研究结果表明,在某些条件负定/正定条件下,存在由排列支持的稀疏 GW 最优方案,并提供了不满足这些条件的示例。 AI
影响 这项研究可能为依赖最优传输的机器学习应用中更高效、更具可解释性的模型带来启发。
排序理由 该集群包含一篇关于与机器学习相关的数学概念的理论性质的学术论文。[lever_c_demoted from research: ic=1 ai=0.7]
- alphaXiv
- arXiv
- CatalyzeX
- DagsHub
- Gotit.pub
- Gromov--Wasserstein
- Hugging Face
- ScienceCast
- Titouan Vayer
- Wasserstein
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →