Sliced Wasserstein
PulseAugur coverage of Sliced Wasserstein — every cluster mentioning Sliced Wasserstein across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的SPLICE算法提供与维度无关的DP合成数据
研究人员开发了一种新的差分隐私合成数据算法，称为SPLICE，即使在高维数据集中也能提供强大的全局分布保证。该算法测量噪声切比雪夫多项式矩，并拟合一个分布以匹配，实现了与目标分布的Sliced Wasserstein-1距离为O(1/sqrt(n))，独立于数据维度。SPLICE的实际实现表明，与现有的差分隐私合成数据方法相比，在基准测试中达到了最先进的性能。
-
新方法使用矩匹配生成差分隐私合成数据
研究人员开发了一种使用广义矩匹配生成差分隐私合成数据的新方法。该技术私有地估计矩，拟合概率测度，然后采样合成记录。该框架适用于各种积分概率度量，包括用于 Wasserstein 距离的 Chebyshev 矩匹配、具有 Matern 和 Laplace 核的最大均值差异以及切片 Wasserstein 距离。结果表明，在固定维度下，生成的合成数据速率接近 minimax 最优。
-
新研究详细介绍了切片最优传输的收敛率
一篇新的 arXiv 论文详细介绍了使用切片最优传输进行分布匹配的收敛率。该研究通过推导切片 Wasserstein 目标函数的 Lojasiewicz 型不等式，特别是针对高斯分布，建立了定量的非渐近收敛率。研究还包括数值实验，以说明关于维度、步长以及正交基采样益处的理论预测。
-
新的切片-Wasserstein框架提高了脑电图解码的准确性
研究人员开发了一个名为Pullback Euclidean Metric Sliced Wasserstein (PEMSW) 的新框架，用于分析脑电图 (EEG) 数据。该框架利用相关性矩阵（比协方差描述符更能抵抗尺度问题）来改进脑电图解码。在PEMSW框架内应用提出的相关性切片-Wasserstein (CorSW) 差异，增强了脑电图解码的域泛化能力，在计算开销极小的情况下，在不同数据集上均表现出性能提升。