PulseAugur
中
实时 11:24:54
实体 optimal transport

optimal transport

PulseAugur coverage of optimal transport — every cluster mentioning optimal transport across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
23
90 天内 146
发布 · 30天
0
90 天内 0
论文 · 30天
23
90 天内 146
层级分布 · 90 天
主题
关系
情绪 · 30 天

7 天有情绪数据

最近 · 第 1/8 页 · 共 149 条
  1. TOOL · CL_364129 ·

    Transformer模型通过自回归token回归学习最优传输计划

    研究人员开发了ToR-OT,一种基于Transformer的模型,通过自回归token回归学习预测离散的最优传输(OT)计划。这种方法将OT重构为结构化序列生成任务,使模型能够在测试时将稀疏传输计划解码为序列,而不是解决优化问题。虽然尚不能替代经典求解器,但ToR-OT展示了对未见过分布和异构成本度量的零样本泛化能力,并且能有效地仅预测传输计划的非零条目。

  2. TOOL · CL_352400 ·

    新框架利用最优传输增强视频时间句子定位

    研究人员推出了一种名为 ABRR(自适应边界精炼和排序)的新型后处理方法,旨在改进时间句子定位(TSG)模型。ABRR 通过结合时间分布平滑、利用最优传输理论的边界精炼以及一个由质量驱动的重新排序机制,解决了量化误差(来自时间降采样)和次优预测排序等限制。这种模型无关的方法无需重新训练即可增强现有的 TSG 模型,并在 Charades-STA 和 ActivityNet Captions 等基准数据集上展示了显著的性能提升,尤其是在…

  3. TOOL · CL_342196 ·

    TraceRouter++ 框架使用最优传输重新调整大语言模型安全路径

    研究人员推出 TraceRouter++,一个旨在通过重新调整因果语义路由路径来增强大型基础模型 (LFMs) 安全性的新框架。与目前关注局部神经元抑制的现有方法不同,TraceRouter++ 识别并修改负责有害输出的分布式、跨层电路。该框架采用“发现-追踪-重塑”范式,利用稀疏自编码器和特征影响分数来精确定位敏感路径,然后应用基于最优传输的软路由重塑来重定向不安全激活,同时保持通用效用。在各种 LMM、MLLM 和扩散模型上的实验…

  4. TOOL · CL_342095 ·

    新的 FedFiOT 框架通过 Fisher 加权最优传输增强联邦学习

    研究人员开发了 FedFiOT,一个新颖的联邦学习框架,以应对单次和少轮设置中的挑战。该方法使用 Fisher 信息来加权参数重要性并对齐客户端模型之间的神经元,从而缓解了由模型漂移和数据异质性引起的问题。FedFiOT 同时优化神经元对应关系和全局模型参数,在各种联邦学习场景中展示了优于现有方法的持续性能改进。

  5. TOOL · CL_336320 ·

    新的FOCUS方法增强了复杂控制任务中的模仿学习能力

    研究人员开发了FOCUS,一种新颖的观察式模仿学习方法,解决了接触密集轨迹优化控制的挑战。通过将局部最优传输对齐与短视界可微分Actor-Critic学习相结合,FOCUS提高了样本效率和训练稳定性。该方法不需要时间对齐的轨迹或专家对齐的初始化,在复杂的运动任务中证明了其有效性。

  6. TOOL · CL_332764 ·

    新的TACE方法增强了多模态RL信用分配

    研究人员引入了TACE(Two-stage Advantage and Credit Estimation,两阶段优势和信用估计),一种用于多模态强化学习的Group Relative Policy Optimization (GRPO) 的改进优势估计新方法。TACE解决了两个关键阶段:使用最优传输进行样本级基线化,以标准化奖励分布和封顶异常值;以及在分配总信用时保持不变的令牌级信用分配。该方法旨在为不同任务和令牌提供更稳定可靠的信…

  7. TOOL · CL_327512 ·

    建立了 Sinkhorn 散度的新的黎曼几何

    研究人员开发了一个新的框架来理解 Sinkhorn 散度的几何结构,Sinkhorn 散度是最佳运输中广泛使用的度量。这项工作建立了正式的黎曼结构,并推导了测地线和平行传输方程等关键几何运算。研究结果还表明,这些运算会导致估计量的 $\sqrt{n}$-极限高斯过程,并具有一致的非参数自举结果。

  8. TOOL · CL_326880 ·

    新的RPSD方法利用最优传输增强序列推荐

    研究人员推出了一种新颖的序列推荐方法——检索特权策略内自蒸馏(RPSD),该方法解决了当前基于LLM的方法的局限性。RPSD通过使用具有特权知识的教师模型重新评估学生模型的策略内响应来解决信用盲优化问题,从而分配token级别的信用。它还通过将教师模型与相似用户的行为模式联系起来,并利用时间感知最优传输来比较交互轨迹并整合多样化证据,从而解决了协同盲监督问题。

  9. TOOL · CL_324103 ·

    AlignFlow 通过半离散最优传输增强生成模型

    研究人员推出 AlignFlow,一种通过集成半离散最优传输来增强基于流的生成模型 (FGM) 的新方法。该方法在噪声和数据分布之间建立了明确的最优对齐,提高了 FGM 训练的可扩展性和有效性。AlignFlow 将噪声空间划分为拉盖尔单元,并将每个单元映射到一个数据点,并且可以无缝地作为即插即用组件集成到现有的 FGM 算法中。

  10. TOOL · CL_315251 ·

    新的Lifted PCA方法将统计分析扩展到Wasserstein空间

    研究人员推出了一种新颖的方法Lifted PCA,用于将主成分分析(PCA)扩展到Wasserstein空间中表示为概率分布的数据。与现有的平均和回归方法不同,这项新技术解决了该领域PCA的典型扩展缺失问题。Lifted PCA通过将经典的PCA公式从Stiefel和Grassmann流形提升到概率测度空间来实现这一点,从而与多边际最优传输和匹配对问题建立等价关系。该方法包括统计一致性的理论保证和实用算法,并通过数值实验证明了其在分布…

  11. TOOL · CL_301338 ·

    新的最优传输度量增强了目标检测标注一致性分析

    一篇新论文提出了一种基于最优传输(OT)的度量方法来量化目标检测标注中的一致性。该方法通过考虑边界框重叠和类别标签的渐进成本,而不是简单的二值化,提供了比传统度量更细致的评估。研究表明,OT能够更好地区分标注对之间的细微差别,尤其是在包含小型或模糊对象的领域,从而实现更可靠的模型验证。

  12. TOOL · CL_299801 ·

    新的WTF算法使用最优传输微调生成模型

    研究人员推出了一种新颖的无模拟强化学习算法——Wasserstein-Tilted Flow Maps (WTF),用于微调基于流的生成模型。与依赖KL正则化奖励最大化的现有方法不同,WTF利用了从预训练漂移中导出的最优传输正则化器。这种方法将问题视为流上的确定性最优控制问题,直接将单个样本传输到更高的奖励。在ImageNet-256和文本到图像生成上的实验表明,WTF在奖励对齐方面表现更优,多样性与基线方法相当或更好,同时显著降低了计算需求。

  13. RESEARCH · CL_299690 ·

    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。

  14. RESEARCH · CL_300822 ·

    新的PORTAL方法跳过了多模态大语言模型的投影仪训练

    研究人员开发了一种名为PORTAL的新方法,该方法可以绕过多模态大语言模型(LLMs)中投影仪训练的需要。这种无需训练的初始化方法使用摘要统计和最优传输来映射视觉模型和语言模型之间的特征分布,从而消除了对配对图像-字幕数据的要求。PORTAL在性能上可与使用数十万对图像-字幕的传统方法相媲美,甚至在某些配置下表现更优。

  15. TOOL · CL_294319 ·

    新方法用少量配对数据实现AI模型对齐

    研究人员开发了一种新方法,仅使用少量(约100-500对)配对示例来对齐独立预训练的单模态编码器。该技术通过每个数据点与这些配对锚点的相似性来表示数据点,然后使用熵最优传输来匹配两个点云。此过程将生成的匹配方案提炼成轻量级编码器,从而实现归纳对应。该方法在图像-文本和分子-文本对齐任务上进行了评估,在Flickr30k、MS-COCO和ChEBI-20等数据集上表现优于现有方法。

  16. TOOL · CL_294118 ·

    新方法使用最优输运对概率测度进行稀疏学习

    研究人员开发了一种新颖的字典学习方法,专门用于概率测度值数据。该方法使用源自最优输运几何的特征将测度嵌入希尔伯特空间,从而能够创建概率测度的稀疏、有限维表示。该框架有效地将最优输运的几何洞察与稀疏表示学习的效率相结合,有望在高光谱成像、点云以及大型语言模型空间中的文档嵌入等领域得到应用。理论分析包括稀疏字典学习目标的泛化界限以及最优输运和熵输运映射字典的具体覆盖数界限。

  17. RESEARCH · CL_298455 ·

    新的OT-FlowRec框架增强了多模态序列推荐

    研究人员推出了一种新颖的多模态序列推荐框架OT-FlowRec,该框架解决了现有方法的局限性。OT-FlowRec利用最优传输来模拟用户偏好中的并发多兴趣分布,这与单路径生成模型不同。该框架构建了并行的、特定于兴趣的传输流,每个流通过最优传输计划保留不同的用户兴趣集群。这种方法旨在解耦兴趣并保持多峰偏好表示,在实验中优于当前最先进的基线。

  18. TOOL · CL_289758 ·

    新的OTTER探针解码冻结多模态大语言模型中的视觉定位

    研究人员开发了一种名为OTTER的新方法,用于探测冻结的多模态大语言模型(MLLMs)并从修饰语标记中解码定位信息。该技术使用最优传输来将生成的标记与特定的视觉区域对齐,从而创建定位图。研究发现,实例区分性的视觉信息,特别是对于空间术语,可以从这些修饰语中解码出来,并且即使在上下文受到干扰或跨不同数据集时,这种定位仍然具有信息量。

  19. TOOL · CL_289662 ·

    新的可微分重采样方法增强了变分蒙特卡洛学习

    研究人员开发了可微分系统重采样(DSR),一种用于变分序列蒙特卡洛方法的新技术。该方法通过引入温度控制的离散重采样步骤松弛,实现了基于梯度的学习,从而实现了完整的梯度流。DSR 提供了一种计算上比基于最优传输的方法更有效率的替代方案,并在各种数据集的滤波和动力学学习任务中展示了相当或更优的性能。

  20. TOOL · CL_289510 ·

    新方法利用最优传输高效扩展LLM深度

    研究人员推出了一种名为最优传输深度升级(OT-DUS)的新颖方法,可用于高效地增加预训练大型语言模型(LLM)的规模。与现有的复制或平均层的方法不同,OT-DUS利用最优传输理论来对齐和融合功能上对应的神经元。这种方法旨在缓解由神经元排列不匹配引起的性能下降。实验表明,OT-DUS在通用和专业领域都优于当前方法,并且当新层插入到模型架构的更高层时,性能提升会增加。