Sinkhorn divergence
PulseAugur coverage of Sinkhorn divergence — every cluster mentioning Sinkhorn divergence across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
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。
-
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。
-
新的GDRO框架增强了用于鲁棒优化的生成模型
研究人员引入了生成式分布鲁棒优化（GDRO），这是一个用于分布鲁棒优化中生成模型的新框架。GDRO通过允许任何可采样的条件生成器，同时将最坏情况定律限制在特定的生成器家族内，从而解决了现有方法的局限性。这是通过采样器-Sinkhorn配对实现的，它允许在不需要似然访问的情况下比较诱导分布，并仅从样本进行估计。与名义决策相比，该框架已在稀有上下文库存遗憾方面显示出60%的减少，在SocialGAN导航碰撞方面显示出50%的减少。
-
新研究探讨图拉普拉斯算子与对称散度的收敛性
研究人员发表了一篇论文，详细介绍了在黎曼流形上使用对称散度构建的图拉普拉斯算子的收敛性质。该工作建立了对称散度与测地距离之间的界限，表明在某些条件下，它们之间的差值受到测地距离幂次的约束。这一发现对于使用这些散度构建的图拉普拉斯算子的逐点收敛至关重要，论文中讨论了涉及概率测度上Sinkhorn散度的具体示例。
-
新方法改进AI对混沌系统的模仿
研究人员开发了一种新的方法，用于训练机器学习模拟器以更好地模拟混沌动力学系统。该方法利用对抗性最优传输目标来学习高质量的摘要统计数据，并从单一、嘈杂的轨迹创建物理上一致的模拟器。在各种混沌系统上的实验表明，与以前的方法相比，使用这些新目标训练的模拟器在长期统计保真度方面有了显著提高。
-
新的生成模型利用Wasserstein流实现更快、更高质量的输出
研究人员正在探索生成模型的新方法，重点关注Wasserstein梯度流以提高效率和样本质量。一种方法W-Flow，实现了最先进的图像单步生成，与传统的扩散模型相比，采样时间大大缩短。其他论文研究了生成模型的输出优化以及分数-差分流的理论基础，将不同的生成建模技术联系起来，并识别某些流类型的潜在障碍。