Sinkhorn Optimal Transport
PulseAugur coverage of Sinkhorn Optimal Transport — every cluster mentioning Sinkhorn Optimal Transport across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架生成结构化异常值以测试机器学习模型的鲁棒性
研究人员推出了一种名为 Sinkhorn Boundary Outlier Generation (SBOG) 的新颖框架，旨在生成结构化异常值，用于评估和增强机器学习模型的鲁棒性。该方法利用 Sinkhorn 最优传输几何和分布鲁棒边界建模来指导生成过程。SBOG 旨在产生语义可控的、偏离分布内数据的偏差，超越了依赖稀疏邻域或分类器边界的传统启发式方法。实验证明了 SBOG 在时间序列异常检测和图像合成中生成信息性异常值的有效性，最…
-
新的MSC-OT架构增强了多元时间序列预测能力
研究人员推出了一种名为MSC-OT的新型架构，用于分析多元时间序列数据。该方法结合了多尺度卷积和最优传输注意力机制，并采用反向嵌入策略来更好地捕捉跨变量关系。MSC-OT架构通过多尺度卷积增强注意力分数，并采用Sinkhorn最优传输实现信息流的平衡。在ETT、Electricity和Traffic等数据集上的实验证明了其在短期和长期预测任务中的有效性。
-
新方法利用最优传输技术实现地质统计模拟规模化
研究人员开发了MST-Direct at Scale，这是一种利用最优传输技术实现多元地质统计模拟的进展。这种新方法扩展了先前的工作，能够处理更大的网格和多个变量，同时还纳入了条件数据。该方法使用稀疏Sinkhorn匹配器来实现可扩展性，并使用高斯骨干网络来重现指定的变异函数，精确地保留了多元联合分布并尊重硬数据。