Wasserstein
PulseAugur coverage of Wasserstein — every cluster mentioning Wasserstein across labs, papers, and developer communities, ranked by signal.
13 天有情绪数据
-
新Barron Optimal Transport框架用于生成模型
研究人员引入了一种新的最优测度传输框架，称为Barron Optimal Transport，该框架将神经网络复杂度纳入其成本函数。这种方法建立在最优传输的动力学公式之上，用Barron能量范数取代了标准的动能。这种新度量旨在衡量用神经网络层表示向量场的复杂度，并反映自适应特征学习的特性。该框架正在探索用于生成模型和采样应用，初步工作量化了扩散生成模型的次优性，并研究了自适应性的优势。
-
新的 RWSD 方法改进了分布数据的聚类数选择
研究人员提出了一种新的分布数据最优聚类数选择标准——相对 Wasserstein 空间深度 (RWSD)。该方法将分布在其分配的聚类中的深度与其在其他聚类中的深度进行比较。RWSD 旨在即使在具有复杂数据分布的情况下也能表现良好，包括分离不均、离散度异质、重尾和异常值的数据，在模拟中表现优于轮廓系数和 Davies-Bouldin 指数等传统指标。该方法已通过应用于 MNIST 图像和流式细胞术数据得到证明，但当聚类不是测地线凸的或缺…
-
新的证据深度学习方法改进了分割中的OOD检测
研究人员开发了一种新颖的方法，通过在证据深度学习（EDL）框架中利用基于Wasserstein的目标来改进语义分割网络中的分布外（OOD）检测。该方法旨在通过更可靠地识别不熟悉的对象来提高自动驾驶等关键应用的安全性。研究探讨了不同Wasserstein阶数对分割准确性和OOD检测的影响，发现最佳阶数取决于网络架构，并且仅需一次前向传播即可超越现有基线。
-
新的贝叶斯镜像架构探索涌现意识
研究人员引入了贝叶斯镜像架构（BMA），这是一个新颖的生成框架，旨在探索涌现意识。该架构利用循环递归，其中感官抽象、元抽象和自潜在变量相互作用。BMA 的状态空间是概率测度的空间，并使用 2-Wasserstein 度量分析稳定性和相干性。该框架还定义了一个因果学习机制（CLR）来诊断环境中可学习的因果结构，这与意识本身不同。
-
新的损失函数提高了时间序列预测的准确性 · 跟踪到2个来源
两篇新研究论文提出了用于时间序列预测模型的新型损失函数，以提高准确性和效率。第一篇论文介绍了Time-o1，它将标签序列转换为去相关分量，以减轻自相关性并减少优化任务的数量。第二篇论文提出了DistDF，它使用联合分布Wasserstein对齐来解决由标签自相关引起 的标准预测方法中的偏差。两种方法都声称达到了最先进的性能，并且与各种预测模型兼容。
-
新的无模拟方法能更快地学习种群动力学
研究人员开发了一种名为 Double-Stitch 的新无模拟方法来学习种群动力学。该技术利用 Wasserstein 拉格朗日残差，从不成对的快照中重建和外推概率分布（如细胞或流体）的演变。与先前在每个训练步骤都需要运行数值求解器的基于模拟的方法不同，Double-Stitch 通过沿学习路径惩罚运动方程残差来显著加快训练速度。该方法在包括合成、单细胞和海洋涡旋数据在内的各种数据集上，均表现出与现有方法相当或更优的性能。
-
新的D2OC方法实现了高效的非线性多智能体空间覆盖
研究人员开发了密度驱动最优控制（D2OC）的非线性扩展，用于多智能体空间覆盖。这种新方法D2OC通过基于Wasserstein的目标驱动智能体分布趋向期望密度，并通过序贯凸规划将其扩展到非线性系统的有限时间域控制。对独轮车和四旋翼无人机团队的仿真表明，其性能与非线性模型预测控制相当，但计算时间显著减少。
-
为 Moreau--Yosida 未调整 Langevin 采样建立新界限
研究人员为 Moreau--Yosida 未调整 Langevin 算法 (MYULA) 建立了近乎线性的精度界限。该分析提供了一个明确的步长条件，在该条件下，相对于 Moreau 平滑目标的不变测度偏差被限制在 \(\\widetilde O(h)\\)。这项工作结合了 Moreau 近似偏差和 Wasserstein 收缩，确定 \(\\widetilde O(\\varepsilon^{-1})\\) 次迭代足以实现 N 次迭代…
-
新研究推进薛定谔桥以改进AI传输学习 · 跟踪2个来源
两篇新研究论文介绍了薛定谔桥技术的进展，这是一种用于学习分布之间随机传输的技术。第一篇论文《图上的成本增强薛定谔桥可精确求解》提出了一种通过用Feynman-Kac倾斜取代学习控制来简化过程的方法，能够进行精确计算，并在蛋白质折叠模型中显示出潜力。第二篇论文《分布鲁棒薛定谔桥》介绍了一种通过学习一个考虑不确定性的单一控制器来提高对初始分布变化的鲁棒性的方法，在图像到图像翻译和传输任务中表现优于标准方法。
-
新的贝叶斯推理框架使用传输图改进后验采样
研究人员开发了一个新的源空间广义贝叶斯推理框架，该框架结合了高效的几步先验传输和后验稳定性保证。该方法使用改进的MeanFlow (iMF)图来表示先验，并在其高斯源空间内进行后验采样。该框架建立了精确后验和学习后验之间的Wasserstein误差界，并采用并行退火和预处理Crank-Nicolson更新，通过结合分裂哈密顿蒙特卡洛的混合变体来提高采样效率。实验证明了准确高效的后验近似，CLIP引导的ImageNet测试显示了其将图像…
-
New flow matching model approximates universal Wasserstein barycenters
研究人员开发了 BaryFM，这是一种新颖的流匹配模型，旨在近似权重单纯形上的 Wasserstein 重心。这种方法允许从 Wasserstein 单纯形内的任何重心生成样本，比计算固定权重重心的现有方法提供了更通用的解决方案。BaryFM 在域适应、泛化、贝叶斯后验聚合和算法公平性等下游任务中表现强劲，在 10 个域适应基准测试的平均排名中优于 15 种竞争方法。
-
新框架通过分区最优传输解决多智能体分布匹配问题
研究人员开发了一种使用分区最优传输的多智能体分布匹配新框架。该方法通过将智能体和目标样本划分为更小的块来解决局部传输问题，从而解决了传统全局离散传输的计算成本问题。该方法与Wasserstein目标保持着严格的联系，并为传输代理提供了周期到周期的下降保证，从而实现了智能体控制的可扩展解决方案。
-
新的分布条件传输框架增强了机器学习模型的泛化能力
研究人员推出了一种新颖的分布条件传输（DCT）框架，旨在增强传输模型的泛化能力。DCT通过将传输图谱条件化于源分布和目标分布的学习嵌入，使其即使在未在训练期间遇到的分布对下也能有效执行。该方法还通过利用仅在一个条件下观察到的分布来实现分布预测的半监督学习。该框架用途广泛，支持多种传输机制，包括流匹配和基于散度的模型，如Wasserstein和MMD。DCT的实际效用已在合成基准和四个生物应用中得到证明，例如分析单细胞基因组学数据和模拟…
-
新的DRO方法使用最优传输几何来实现鲁棒学习
研究人员开发了一种新的分布鲁棒优化（DRO）方法，可增强在分布变化下的学习能力。该方法采用一种受惩罚的DRO公式，其中对手因偏离经验分布而受到Wasserstein惩罚。提出的技术，包括多起点粒子上升法和使用输入凸神经网络参数化对手映射，旨在强制执行循环单调性，并与标准的对抗性训练相比提高鲁棒性和泛化能力。
-
新的稳定滤波器增强了图信号生成模型的性能
研究人员开发了一个新的框架，用于设计稳定的图滤波器，以改进图信号的生成模型。这些滤波器旨在在增强结构稳定性的同时，保持图热扩散的平滑特性。在合成数据和fMRI数据上的实验表明，这些稳定的滤波器提高了鲁棒性，并能达到或超过现有热方程基线的生成质量。
-
新研究探索AI采样方法中的更快收敛速度 · 跟踪2个来源
研究人员发布了关于Wasserstein-Fisher-Rao (WFR) 梯度流的新发现，这是一种用于加速概率分布采样的收敛方法。最新研究建立在先前工作的基础上，分析了WFR流中算子分裂技术的影响。研究表明，精心选择的操作顺序和步长可以比精确的WFR流实现更快的收敛，在某些情况下甚至优于纯粹的Wasserstein或Fisher-Rao流。
-
新数学论文详述非局部输运收敛率
一篇新近发表在 arXiv 上的论文详细介绍了一个理解非局部输运现象的数学框架。该研究侧重于非局部连续方程解向热流的收敛性，在参数 $b$ 趋近于零时，确立了一个尖锐的、时间均匀的收敛率为 $Cb^2$。该分析被扩展到圆上的确定性 N-粒子动力学，在特定条件下，提供了近似热流的速率为 $N^{-2/5}$。
-
新几何框架增强机器学习指标
研究人员开发了一个新的广义无限维Alpha-Procrustes几何框架，扩展了现有的Bures-Wasserstein和Log-Euclidean等指标。该形式主义基于单位化Hilbert-Schmidt算子和扩展的Mahalanobis范数，可以对这些距离进行稳健的无限维推广。该方法包括一个可学习的正则化参数，以提高高维比较中的几何稳定性，并在基准数据集的初步实验中显示出改进的性能。
-
新的ParetoTransport方法增强了多目标问题的生成式优化
研究人员推出了一种新颖的、无需训练的引导方法ParetoTransport，旨在改进离线多目标优化。该方法明确地优化了目标空间中候选设计的分布，将其推向帕累托前沿并沿其有效分布。ParetoTransport利用沃塞尔斯坦匹配（Wasserstein matching）到中间代理分布，直接控制分布位移和质量分配。该方法在标准离线MOO基准测试中表现出了最先进的性能，并使用了超体积（hypervolume）以外的指标进行评估，包括世代距…
-
新的DRIFT攻击以98-100%的成功率移除扩散模型水印
研究人员开发了一种名为DRIFT的新方法，用于移除嵌入在扩散模型生成图像中的水印。这种黑盒攻击通过部分重新加噪图像，然后使用随机反向重采样来探索替代生成路径。DRIFT通过识别水印被拒绝的第一个点并保留该拒绝信息来有效绕过水印验证，在无需访问密钥或内部验证器信息的情况下实现了高成功率和图像质量。