optimal transport
PulseAugur coverage of optimal transport — every cluster mentioning optimal transport across labs, papers, and developer communities, ranked by signal.
13 天有情绪数据
-
New RAD framework enhances AI safety using stochastic dominance for risk control
一篇新研究论文介绍了一种名为“风险敏感对齐通过支配”（Risk-sensitive Alignment via Dominance, RAD）的新颖框架，用于改进通过人类反馈强化学习（RLHF）训练的AI模型的安全性。与依赖期望成本约束的传统方法不同，RAD利用随机支配来比较整个成本分布，从而更好地控制尾部风险和潜在的灾难性事件。所提出的方法集成了最优传输和Sinkhorn迭代以实现高效的端到端优化，并引入了分位数加权FSD约束来普遍…
-
新框架增强表格基础模型的迁移学习能力
研究人员引入了一个名为上下文约束迁移学习（通过锚定和蒸馏）的新框架（TL-ANDI），以提高表格基础模型（TFMs）的迁移学习能力。该方法解决了严格的上下文大小约束和对分布变化的敏感性等限制。TL-ANDI使用预算约束的最优传输问题来创建紧凑的源上下文，然后通过蒸馏标签进行增强，并使用目标数据进行校准。
-
OTCache框架使用最优传输加速扩散模型
研究人员推出OTCache，一个旨在通过预测最优缓存计划来加速扩散模型的新型框架。该方法利用最优传输（OT）原理来模拟在不同推理预算下缓存策略的演变，解决了现有基于图的方法的局限性。OTCache在FLUX.1、Qwen-Image和HunyuanVideo等模型上实现了3.66倍至4.7倍的显著加速，同时与当前最先进的方法相比，还提高了生成保真度。
-
ITSPACE方法优化高斯最优传输以实现协方差对齐
研究人员推出ITSPACE，一种用于优化Bures-Wasserstein (BW)目标的新方法，该目标源自高斯分布的Wasserstein-2最优传输差异。ITSPACE采用基于平方根分解的闭式更新的近端主化-最小化方法。该方法旨在成为协方差对齐的轻量级基元，在需要计算约束下从无标签目标批次进行适应的场景中特别有效。基准测试表明，ITSPACE在实现低BW间隙解决方案方面显著优于BW梯度下降和其他协方差几何方法。
-
新的arXiv论文探讨流匹配和最优传输在生成模型中的应用
两篇新的arXiv论文深入探讨了先进的生成模型技术。第一篇论文“Notes on generative modeling: flow matching, diffusion, optimal transport and Schrödinger bridge”由Titouan Vayer撰写，探讨了最优传输与Schrödinger bridge和流匹配等方法之间的数学联系。第二篇论文“Robustness and Structure P…
-
新框架利用图像合成解决跨域宫颈细胞检测问题
研究人员开发了一种新颖的两阶段框架，以改进跨域宫颈细胞检测。第一阶段利用空间连续无配对神经薛定谔桥（SC-UNSB）创建合成中间域，通过熵正则化最优传输过程减轻分布偏移。第二阶段在知识蒸馏中采用双层特征对齐策略，对齐结构和语义表示，促进知识从源模型到目标模型的迁移。该方法有效降低了域偏移和类别模糊性，提高了跨域检测性能。
-
新的对偶形式阐明了不平衡熵最优传输的样本复杂度
本文介绍了一种新的不平衡熵最优传输（OT）的对偶形式，重点关注最优耦合水平下的样本复杂度。研究表明，熵正则化对于机器学习应用至关重要，因为它可以减轻维度灾难，减少稳定传输估计所需的样本量，并确保与高效的Sinkhorn类算法兼容。这些发现为在处理嘈杂的经验数据和复杂的概率分布时，这些方法的实际必要性提供了理论支持。
-
MeshFlow 使用等变流匹配将三角形网格生成速度提高 18 倍 · 跟踪到 2 个来源
研究人员开发了 MeshFlow，一种使用等变最优传输流匹配模型生成三角形网格的新颖方法。该方法直接对三角形汤进行建模，尊重顶点和面排列等对称性，并避免了顺序序列化的需要。MeshFlow 实现了与现有方法相当的网格质量，但在推理时间上提供了 18 倍的加速。该项目包括代码和预训练的检查点，并计划在 SIGGRAPH 2026 上发表。
-
新的OTCHA模块改进了多视图医学图像分类
研究人员开发了OTCHA，一种用于多视图医学图像分类的新模块，它使用最优传输来对齐潜在中心令牌。该方法在融合前精炼补丁令牌，解决了未配准图像和可能掩盖诊断发现的无关背景线索的问题。OTCHA结合了置信感知匹配和新颖的对齐损失，以提高跨不同解剖结构和视图配置的鲁棒性，并在多个医学图像数据集上显示出一致的改进。
-
新的scGTN框架增强了单细胞RNA测序数据聚类
研究人员推出了一种用于单细胞RNA测序（scRNA-seq）数据聚类的新型框架scGTN。该方法通过整合基因表达谱与复杂的细胞间结构信息，解决了现有方法的局限性。scGTN构建了两个增强图视图以捕获互补数据，利用Siamese图Transformer网络整合最短路径信息和节点间距离，并采用最优传输策略进行自监督聚类。在基准数据集上的实验表明，scGTN的性能优于当前方法。
-
TimeLAVA框架为时间序列提供无学习数据估值
研究人员推出TimeLAVA，一个旨在为时间序列数据中的时间段进行估值的新型无学习框架。该方法通过捕捉时间依赖性和多尺度模式来解决现有方法的局限性，这些模式对于医疗保健、金融和工业监控等应用至关重要。TimeLAVA利用一种新颖的选择性小波基Wasserstein距离，结合小波变换和不平衡最优传输，无需模型训练即可高效计算段值。
-
新书探讨机器学习应用中的最优传输
一本题为《机器学习者的最优传输》的新书已经发布，详细介绍了最优传输（OT）技术在机器学习领域的应用。本书涵盖了Monge映射、Kantorovich耦合和Sinkhorn缩放等核心OT概念，并解释了它们与统计测量和生成模型的相关性。它旨在通过将数学严谨性与OT的计算和几何直觉联系起来，为机器学习从业者提供一个实用的工具箱。
-
New WT-PCA Method Analyzes Probability Measure Variations in Wasserstein Geometry
本文介绍了一种新的方法——Wasserstein Tangential PCA (WT-PCA)，用于学习Wasserstein几何中的概率测度的主要变化。该方法利用动力学公式将log-PCA解释为一种变分方法，能够捕捉测地线变化模式。研究还推导了经验WT-PCA估计的统计收敛率，特别是与2-Wasserstein距离的关系。
-
新的Sinkhorn-CPD方法增强了点云配准的鲁棒性
研究人员开发了Sinkhorn-CPD，一种用于点云配准的新方法，它改进了传统的相干点漂移（CPD）算法。通过采用非均衡熵最优传输，Sinkhorn-CPD能够有效处理CPD常见的挑战，如异常值和部分重叠。新方法利用双重Kullback-Leibler惩罚和广义Sinkhorn迭代进行高效计算。实验表明，Sinkhorn-CPD在各种基准测试中均达到了最先进的精度和鲁棒性能。
-
新框架对单次联邦学习中的特征进行对齐
研究人员推出了一种新颖的框架 SLOT-Align，旨在协调单次联邦学习 (OSFL) 中的特征表示。该方法解决了由异构客户端数据分布带来的挑战，特别是现有 OSFL 技术难以纠正的域偏移和标签偏移。SLOT-Align 采用共享的冻结编码器和最优传输图来高效地对齐局部表示，在各种基准测试中展示了准确性和鲁棒性的一致性改进。
-
SelectiveRM 框架训练奖励模型忽略嘈杂偏好
来自浙江大学、小红书和北京大学的研究人员开发了 SelectiveRM，一个用于训练大型语言模型奖励模型的新颖框架。该方法通过使用最优传输来选择性地对齐分布，解决了人类和 AI 生成反馈中常见的嘈杂偏好数据的问题。SelectiveRM 识别并丢弃冲突的嘈杂偏好，使模型能够学习更可靠的奖励函数，并提高下游人类反馈强化学习 (RLHF) 的安全性。
-
新的机器学习框架提升蛋白质-配体结合亲和力预测能力
两种新的机器学习框架RicciBind和CPES被引入，用于预测蛋白质-配体结合亲和力，这是药物发现中的关键一步。RicciBind利用Ricci曲率和最优传输来模拟分子相互作用，增强了结构感知和全局对齐能力。CPES结合了源自势能面的物理信息曲率表示，以考虑分子柔性和结合诱导的构象变化。两种方法在基准数据集上的结合亲和力预测准确性和可解释性方面均有所提高。
-
新方法使用最优传输进行几何域自适应
研究人员开发了一种使用最优传输进行线性回归域自适应的新方法。该方法利用理论见解来恢复R^2中的几何变换，如旋转和平移，即使在目标数据有限的情况下也能实现自适应。该方法结合了k-means聚类和最优传输，在机器学习任务中提供了可解释性和实用价值。
-
新框架利用语言模型和最优传输检测跨操作系统APT
研究人员开发了一个新颖的框架，可以在不同操作系统之间检测高级持续性威胁（APT），而无需目标系统的任何标记数据。该方法使用自然语言处理来描述进程行为，使用预训练的语言模型嵌入这些描述，然后应用最优传输方法来量化从源操作系统学到的正常行为的偏差。在多个APT场景和操作系统上的评估表明，与现有的仅源方法相比，检测准确性有所提高。
-
新框架在无目标标签的情况下优化VLM选择和适应
研究人员开发了一个名为“一石三鸟”（OSTB）的新框架，以解决在目标标注稀缺的情况下部署视觉语言模型（VLM）所面临的挑战。OSTB使用自适应最优传输从一组固定的VLM中估计共识样本到类别的结构。然后，这种学习到的结构可以指导模型选择、目标适应和集成，从而在不更新VLM参数的情况下提高各种基准的性能。