Brenier
PulseAugur coverage of Brenier — every cluster mentioning Brenier across labs, papers, and developer communities, ranked by signal.
-
新研究通过体积优化和协变量偏移处理推进了共形预测
arXiv上的两篇新研究论文介绍了先进的共形预测技术。第一篇论文《多变量共形预测的最小体积最优传输》提出了一个学习马氏距离地面成本的框架,以最小化预测区域的体积,从而显著减小体积并提高覆盖率保证。第二篇论文《协变量偏移下的后向共形预测》将后向共形预测扩展到处理协变量偏移,使用重要性加权,并提出在排序得分向量上估计密度比,以获得更准确的覆盖不足估计。
-
新研究探索最优输运与生成扩散模型
两篇新的 arXiv 论文探讨了生成扩散模型与最优输运之间的理论联系。第一篇论文提出了一个最优测度输运框架,该框架纳入了神经网络的复杂性,并定义了一个名为 Barron 能量的新度量。这项工作量化了扩散模型的次优性,并研究了替代生成方法的适应性。第二篇论文讨论了三种简单的联系,强调了数据及其加噪过程的联合律可以被视为一个熵最优输运问题,以及扩散和流匹配在模式分离方面与最优输运的区别。
-
新的DRO方法使用最优传输几何来实现鲁棒学习
研究人员开发了一种新的分布鲁棒优化(DRO)方法,可增强在分布变化下的学习能力。该方法采用一种受惩罚的DRO公式,其中对手因偏离经验分布而受到Wasserstein惩罚。提出的技术,包括多起点粒子上升法和使用输入凸神经网络参数化对手映射,旨在强制执行循环单调性,并与标准的对抗性训练相比提高鲁棒性和泛化能力。
-
CyclOT框架学习来自非配对数据的二次最优传输图
研究人员推出了一种新颖的神经网络框架CyclOT,用于从高维非配对样本中学习二次最优传输图。这种双向方法利用同步的前向-后向插值以及结合了双向二次作用、判别器约束的Jensen-Shannon端点目标和循环一致性的训练目标。该方法不需要预先计算的样本配对或显式的凸势参数化。理论结果表明,在特定条件下,该方法能够恢复最优传输图,并且在MNIST和CelebA等各种数据集上的实验验证了其性能。