一篇新论文探讨了基于最优传输的目标函数的经验性次梯度收敛问题，这是训练学习分布、强制执行约束或建模不确定性的机器学习模型的关键方面。该研究证明了采样传输成本的次微分图收敛于总体目标的次微分，确保标准次梯度方法能够一致地逼近平稳点。这种分析对于风险规避优化、公平性约束学习和切片 Wasserstein 问题等应用尤其重要，突出了平滑参数化在统计一致性和优化方面的优势。 AI
影响 这项研究为各种机器学习应用中使用的优化方法提供了理论保证，有望提高训练的稳定性和一致性。
排序理由 该集群包含一篇详细介绍机器学习优化方法理论进展的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2605.28134v1 Announce Type: cross Abstract: Optimal transport is widely used to learn distributions, enforce distributional constraints, and model uncertainty. In applications, transport losses are often computed from samples through tractable representations, such as one-d…
Optimal transport is widely used to learn distributions, enforce distributional constraints, and model uncertainty. In applications, transport losses are often computed from samples through tractable representations, such as one-dimensional sorting formulas or sliced Wasserstein …