Benamou--Brenier
PulseAugur coverage of Benamou--Brenier — every cluster mentioning Benamou--Brenier across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新算法学习高维数据的分支生成流
研究人员开发了一种新颖、可扩展的分支流匹配算法，该算法改编了 Benamou-Brenier 最优传输公式，以学习模仿自然分支结构的生成流。该方法允许概率质量在分叉到不同目标之前沿共同路径聚集，解决了当前连续时间生成模型在捕捉分层模式方面的局限性。该算法由神经网络参数化，已在生物学和图像生成的高维任务中证明了其有效性。
-
新的平流费舍尔-劳度量增强了概率测度优化
研究人员引入了一种新的平流费舍尔-劳度量，用于连续方程控制的概率测度优化任务。该度量已被证明可以提供最优下降方向，并源于三个不同的理论视角：路径测度上费舍尔-劳度量的零噪声极限、弗里德林-温策尔大偏差率泛函的二阶变分的期望值，以及动态最优输运的贝纳莫-布伦耶作用泛函的Hessian矩阵。计算实验证实，这种平流费舍尔-劳度量能有效拟合概率密度，优于优化速度场的Gauss-Newton方法。
-
新的PMOT框架使用连续归一化流进行最优传输
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。
-
新论文详细介绍了 Wasserstein-p 距离中度量结构化近似方法
本文探讨了如何使用结构化方法近似概率度量，特别是在 Wasserstein-p 距离内。研究重点关注其在机器学习、成像和传感器约束测量中的应用。主要发现包括：利用 Bogovskii 定理和 Benamou-Brenier 最优传输公式，将 L_p(Omega) 中的近似方案线性速率转移到 W_p(Omega) 中的度量，适用于远离零的有界密度。论文还提出了离散近似的确定性界限，表明紧支撑度量可以为其 Wasserstein-p 距离…
-
新的切片 Wasserstein 引导方法解决了高维概率律控制问题
研究人员开发了一种在高维空间中引导概率分布的新方法，解决了环境空间公式化带来的挑战。这种切片反馈控制器将演化定律投影到一维方向上，在这些投影中合成最优速度，并将它们平均以进行环境空间控制。该方法被证明对高斯分布有效，并提供了一种与部分观测一致的可扩展解决方案，将能源消耗降低到切片 Wasserstein 距离。