optimal transport
PulseAugur coverage of optimal transport — every cluster mentioning optimal transport across labs, papers, and developer communities, ranked by signal.
- uses Diffusion Models 90%
- used by Gromov--Wasserstein 80%
- instance of CatalyzeX 70%
- instance of Gromov--Wasserstein 70%
- instance of Gotit.pub 60%
- instance of ScienceCast 60%
- used by CatalyzeX Code Finder for Papers 60%
- used by CORE Recommender 60%
- instance of alphaXiv 60%
- affiliated with alphaXiv 50%
- affiliated with Diffusion Models 50%
14 天有情绪数据
-
新的TracingFlow框架通过二阶动力学增强轨迹推断能力
研究人员推出了一种新颖的框架TracingFlow，旨在从稀疏的时间数据中推断系统演化。与主要使用一阶动力学的现有方法不同，TracingFlow通过学习加速度场来纳入二阶动力学。这使得它能够捕捉更复杂的过渡和非线性演化，这对于细胞分化等过程至关重要。该框架在合成和单细胞RNA测序数据集上展示了卓越的准确性，提供了对轨迹和动力学结构更忠实的重建。
-
新的耦合最优输运框架使用地标进行形状匹配
研究人员引入了一个新颖的耦合最优输运（OT）框架，该框架将基于地标的配准与基于输运的分布匹配相结合。这种新方法使用少量带注释的地标来指导变形场的恢复，该变形场与成本驱动的输运计划一起，在一个统一的模型中进行优化。该框架在这些方法之间建立了原则性的联系，能够在稀疏的几何监督下恢复输运图，并在形状匹配应用中得到了验证。
-
用于非欧几里得数据集的新型可观测 Wasserstein 距离框架
研究人员引入了可观测 Wasserstein 距离，这是一个新颖的框架，旨在为概率测度之间的 Wasserstein 距离提供下界。该方法对于计算成本过高的、大规模的非欧几里得数据集特别有用。通过使用 1-Lipschitz 可观测值将测度投影到实线上，该框架计算推前分布之间的 Wasserstein 距离，从而在下界精度和计算效率之间提供可调的权衡。
-
新的EOT框架通过折扣采样密度来改进数据集对齐
研究人员引入了一个名为密度重加权熵最优传输（EOT）的新框架，以改进数据集对齐。该方法解决了标准EOT中的一个局限性，即数据集中不同的采样密度可能导致几何对应不准确。所提出的框架允许折扣采样密度对几何对应准确性的影响，从而使对齐更多地由潜在的几何邻近性驱动。研究人员通过模拟证明，该方法能够产生更真实的几何对应，尤其是在数据集采样密度存在显著差异的情况下。
-
新的 EMS Coreset 算法为机器学习提供高效数据子集选择
研究人员开发了 EMS Coreset，这是一种旨在更高效地为机器学习任务创建代表性数据集子集的新算法。该方法利用带有 Sinkhorn 正则化的期望最大化方法，允许非均匀的 coreset 权重，并提供广义的 k-means 聚类解决方案。与现有的 Wasserstein 和标准 Sinkhorn coreset 选择技术相比，该算法在近似质量和鲁棒性方面表现出竞争力，同时显著减少了计算时间，尤其是在处理大型数据集时。
-
新的几何框架分析时空基因表达网络
研究人员开发了一个新颖的几何框架，用于分析基因表达网络的时空演化。该方法使用 Gromov--Wasserstein (GW) 空间来比较不同发育阶段的网络结构，并能在它们之间进行连续插值。该方法使用 Ollivier-Ricci 曲率量化网络变化，并已在果蝇数据集上得到验证，显示出其重现经验趋势和与高阶最优传输距离一致的能力。
-
新的控制框架使用切片最优输运进行分布引导
研究人员开发了一种新的分布引导控制框架，这是一种将动力学系统的状态律引导至指定初始和终端分布之间的方法。该框架利用切片最优输运，通过使用一维投影而不是完整的状态空间构造来简化过程。所开发的方法产生一个随机控制器，该控制器在平均后提供确定性的切片反馈，从而有效地将系统引导至目标分布，同时最小化控制能量。该方法已被证明可用于单积分器动力学和线性动力学系统，并能保持高斯性以及引导高斯终端律的均值和协方差值。
-
CoverPrune框架使用最优传输优化3D VLM令牌剪枝
研究人员开发了CoverPrune，一个用于剪枝3D视觉语言模型（3D VLMs）中令牌的新框架，以解决计算瓶颈。与以往关注令牌多样性的方法不同，CoverPrune通过将令牌剪枝构建为最优传输问题来优先保留视觉证据覆盖。该框架包括一个高效的空间引导贪婪选择算法和一个加速变体CoverPrune-Lite，它们共同在保持3D基准测试中稳健推理性能的同时，实现了最先进的令牌效率。
-
新框架为特征选择提供真正无监督的评估
研究人员发现了常用的无监督特征选择方法评估技术中的关键设计缺陷。这些既有方法虽然表面上是无监督的，但实际上是将有监督评估应用于无监督任务。为解决此问题，已提出一种新颖的、真正无监督的评估框架。该新框架利用无监督主成分分析和最优传输，在不依赖标签信息的情况下准确衡量特征选择算法的质量。
-
新框架增强了随机场神经网络重构能力
研究人员引入了一个新的局部 Sinkhorn 散度框架，用于训练随机神经网络 (SNN) 来重构多维随机场。该框架利用去偏的 Sinkhorn 散度创建了一个可微分且高效的目标函数。该方法提供了理论泛化误差估计，并为精确局部最优传输提供了一个可扩展的替代方案，在科学机器学习中的不确定性量化方面平衡了几何保真度、统计效率和计算可扩展性。
-
PairAlign框架解决了神经网络中的过度压缩问题
研究人员推出了一种新颖的框架PairAlign，旨在解决消息传递神经网络（MPNN）中的过度压缩问题。该方法侧重于识别和加强对跨越遥远图区域分布的任务相关信息至关重要的成对通信。PairAlign量化通信需求与拓扑支持，以查明通信短缺，并利用最优传输来指导重构决策，确保有限的边预算用于结构兼容性和短缺覆盖的有效利用。在标准图基准测试上的实验表明，PairAlign通过缓解过度压缩来提高MPNN性能。
-
新框架使用局部 Sinkhorn 散度进行随机场重构
研究人员引入了一个利用局部 Sinkhorn 散度来重构多维随机场中条件分布的新框架。该方法通过一个可微分且高效的局部分布匹配目标，实现了随机神经网络的训练。该框架还提供了理论泛化误差估计，突出了近似偏差和统计效率之间的平衡。
-
Uni4R框架利用OT和ODEs统一4D重建与跟踪
研究人员推出Uni4R，一个通过学习连续速度场来统一4D重建和点跟踪任务的新颖框架。该方法利用最优传输（OT）和常微分方程（ODEs）的协同作用，创建了增强重建和跟踪的运动学先验。该框架包括一个流匹配引导解码器，用于提取锚点特征并使用OT构建概率路径，同时一个点重建分支提供几何特征。Uni4R在4D重建和点跟踪基准测试中取得了最先进的性能，包括一个新的连续时间运动学感知基准。
-
揭示了用于部分最优传输的新数学距离
研究人员引入了新的数学工具，即熵部分最优传输和部分混合 Gromov--Wasserstein 距离，旨在比较概率测度和度量测度空间。这些方法通过允许部分匹配来解决现有平衡公式的局限性，这对于包含异常值或不完整信息的数据集很有益。该论文详细介绍了这些新距离的数学特性，包括它们的存在性、唯一性和极限，并通过在合成数据和点云上的数值实验展示了它们的应用。
-
新的联邦学习框架改进了跨站点的脑连接分析
研究人员开发了 FedDOSE，一个新颖的联邦学习框架，旨在改进跨多个站点的脑成像数据中动态功能连接的分析。该框架通过显式分解特定于站点的效应，解决了多站点数据固有的统计异质性挑战。FedDOSE 利用模块化引导的 Tucker 分解来处理高维动态功能连接张量，并采用最优传输和 Procrustes 分析来对齐特定类别的原型。在自闭症谱系障碍和注意力缺陷多动障碍数据集上的实验表明，FedDOSE 在检测方面的性能优于现有方法。
-
D-CLOT 方法改进无监督动作分割
研究人员推出了一种新颖的无监督动作分割方法 D-CLOT，该方法解决了动作原型与精炼帧几何之间的不一致性。该方法通过从精炼帧嵌入中重新估计动作原型来增强现有的最优传输技术，从而提高分割质量。D-CLOT 在五个基准测试中取得了显著的进步，包括在 YTI 数据集上 F1 分数提高了 12.7%，并在具有挑战性的 Assembly101 基准测试上建立了一个新的基线。
-
新研究通过最优传输和潜在去噪探索多模态对齐
两篇新研究论文探讨了改进大型模型中多模态对齐的方法。第一篇论文引入了联合核熵格罗莫夫-沃塞尔斯坦最优传输（JK-EGW），通过最小化二次最优传输目标来对齐不同模态的数据，在数据稀疏的情况下显示出改进的检索性能。第二篇论文为 LLaVA 等大型多模态模型（LMMs）提出了一种潜在去噪框架，通过在训练期间添加去噪目标来增强内部视觉表示和对分布变化的鲁棒性。
-
新的最优传输框架统一冷启动主动学习方法
研究人员开发了一种新的冷启动主动学习框架，这是一种在没有先验知识的情况下选择有价值数据子集的方法。该方法利用最优传输理论来统一现有方法，并对涉及的权衡进行了理论分析。提出的算法 epsilon-Adaptive Selection (epsilon-AS) 使用数据自适应正则化规则，并在各种数据集上展示了最先进的性能，包括 ImageNet-1k，在该数据集上提高了准确性并减少了选择时间。
-
新研究解决V2X协同感知的域适应问题
两篇新研究论文介绍了用于协同感知系统（特别是车联网（V2X）应用）的域泛化自适应语义通信的先进技术。第一篇论文RSTA，通过在训练期间使用跨域原型对齐和跨通道梯度一致性，并部署轻量级适配器，来适应观测域偏移和未知的无线信道条件。第二篇论文FlowAdapt，通过采用最优传输来改进帧选择，并逐步将知识从网络的早期阶段转移到更深的阶段，从而解决了V2X参数高效微调中的瓶颈问题。这两种方法都旨在以最少的训练参数和无需代理间同步来提高性能。
-
新研究探索非结构化数据和处理的因果推断 · 跟踪3个来源
三篇最新的arXiv论文探讨了因果推断的先进技术，超越了传统的标量结果和处理。其中一篇论文将最优输运作为观测数据因果推断的基础元素，旨在统一统计学和计量经济学之间的语言。另一篇论文提出了一种针对非结构化结果（如文本或图像）的因果推断方法，通过识别受处理影响的“最大对比特征”。第三篇论文处理非结构化处理，定义了一个“最大影响特征”，以了解处理的哪些方面（例如课程描述）对结果影响最大。