Wasserstein
PulseAugur coverage of Wasserstein — every cluster mentioning Wasserstein across labs, papers, and developer communities, ranked by signal.
11 天有情绪数据
-
新框架PeTeR在训练后增强概率电路的鲁棒性
研究人员推出了一种新的训练后框架PeTeR，旨在增强概率电路（PCs）在分布变化下的鲁棒性。与需要从头开始训练的现有方法不同，PeTeR在预训练的PCs上运行，无需额外数据。这种方法旨在缓解由噪声数据或小样本量引起的问题，如过拟合和脆弱的泛化能力。在密度估计基准上的评估表明，PeTeR能有效增强基线模型抵御随机和对抗性扰动，其性能与依赖数据的鲁棒学习技术相当或更优。
-
新研究揭示深度ReLU网络和SGD训练动力学的奥秘
两篇新研究论文探讨了深度前馈ReLU网络的底层原理和训练动力学。第一篇论文深入研究了这些网络的机制，解释了隐藏层单元如何创建分段线性流形来划分输入空间，从而揭开了深度学习“黑箱”的神秘面纱。第二篇论文侧重于宽ReLU网络中随机梯度下降（SGD）的隐式偏差，揭示了尽管存在过度参数化，但学习到的预测器有效地坍缩为有限表示，其复杂度由数据的组合几何决定。
-
新的“缝合”方法通过 Wasserstein 残差重建群体动力学
研究人员开发了一种新的基于粒子的方法，称为“缝合”，用于重建群体动力学，这通常被建模为 Wasserstein 梯度流。这种新颖的方法绕过了 Jordan--Kinderlehrer--Otto (JKO) 方案等传统方法固有的昂贵最优传输问题和模拟要求。“缝合”方法通过非负损失函数强制执行连续性方程，统一了现有技术，并在轨迹推断基准测试中展示了最先进的性能，即使在观测数据存在显著差距的情况下也是如此。
-
新研究探讨 Wasserstein DRO 在风险敏感估计和遗憾优化中的应用
两篇新研究论文探讨了 Wasserstein 分布鲁棒优化 (DRO) 在不同机器学习背景下的应用。第一篇论文介绍了一种使用 Wasserstein 球和条件在险价值 (CVaR) 进行风险敏感估计的方法，并展示了其在电力价格预测中的有效性。第二篇论文侧重于 Wasserstein 模糊集中的遗憾优化，提出了一个理论和算法，以在计算 NP-hard 的复杂场景中平衡鲁棒性与潜在收益。
-
新的RECAST方法利用反事实信息重构黑盒AI模型
研究人员开发了RECAST，一种利用反事实解释和瓦瑟斯坦几何重构黑盒机器学习模型的新方法。该方法解决了现有基于反事实的重构技术的局限性，例如决策边界偏移和在线查询访问的需求，尤其是在数据有限的情况下。RECAST旨在提高代理模型的保真度和效率，从而实现更好的第三方审计以确保公平性和问责制。
-
用于机器学习中混合模型的新的半定规划方法
一篇新的研究论文介绍了一种半定规划方法，该方法使用诸如高斯混合模型之类的分布混合物来近似目标测度。该方法在确定混合模型阶数和在高维环境中估计参数方面特别有用。该方法提供了一个松弛层次结构，该结构收敛于最优值，并可应用于聚类问题，可能加速标准算法的收敛。
-
新的LBDTPP框架使用潜在块扩散生成异步事件序列
研究人员推出了一种名为Latent Block-Diffusion Temporal Point Processes (LBDTPP) 的新框架，该框架专为生成异步事件序列而设计。这种半自回归方法结合了自回归模型在可变长度输出方面的优势以及扩散模型的并行生成能力。LBDTPP通过在潜在空间中定义事件块的自回归分布，然后在每个块内应用高斯扩散来运行，旨在减少与传统事件级自回归方法相比的误差累积。在六个真实世界数据集上的实验表明，LBDT…
-
新的鲁棒 Q-学习算法解决了具有 Wasserstein 不确定性的均场控制问题
研究人员开发了一种新的鲁棒 Q-学习算法，用于均场控制问题。该算法通过将量化-投影方案与 Wasserstein 对偶重构相结合，解决了公共噪声定律中 Wasserstein 不确定性带来的挑战。所提出的方法已证明了收敛性，并为同步和异步学习方案提供了有限时间迭代界限，数值实验验证了其在系统性风险和流行病相关模型上的性能。
-
新方法预测漂移和腐蚀下的数据分布
研究人员开发了一种新颖的在线学习方法，用于预测非平稳数据流中的完整数据生成分布，即使在受到漂移和对抗性腐蚀的情况下也能实现。该方法利用潜在聚类几何来表示候选概率定律，通过后验平均实现在线预测。这种方法避免了对数据流、漂移或腐蚀进行参数建模的需要，并在特定条件下为次线性累积Wasserstein遗憾提供了理论保证。
-
TimeLAVA框架为时间序列提供无学习数据估值
研究人员推出TimeLAVA，一个旨在为时间序列数据中的时间段进行估值的新型无学习框架。该方法通过捕捉时间依赖性和多尺度模式来解决现有方法的局限性，这些模式对于医疗保健、金融和工业监控等应用至关重要。TimeLAVA利用一种新颖的选择性小波基Wasserstein距离，结合小波变换和不平衡最优传输，无需模型训练即可高效计算段值。
-
新理论保证去中心化扩散模型收敛
研究人员利用基于ODE的采样，为去中心化扩散模型建立了理论收敛保证。这项工作首次为这类架构提供了Wasserstein-2距离收敛结果，证明了N步离散化的分布以O(N^{-1/2} + \varepsilon)的速率收敛到解析解。这些发现对于理解去中心化扩散模型的隐私和可扩展性优势具有重要意义。
-
新的几何框架揭示高斯混合模型收敛性见解
研究人员开发了一个新的几何框架来分析有限高斯混合模型中参数估计的收敛速率。该框架利用 Hellinger 下界将密度差异与 Wasserstein 距离联系起来，明确考虑了分量分离和最小权重。研究表明，当分量数量已知时，收敛主要由这些分量的空间排列决定。然而，当分量数量未知或被过度指定时，最小混合权重与收敛速率无关，将复杂性转移到二阶 Wasserstein 几何学。
-
新研究推进生成式AI的流匹配模型
研究人员正在探索流匹配模型（一种生成模型）的高级技术。一篇论文介绍了渐进式微调（GFT），这是一个基于退火的框架，用于提高将这些模型适应新数据分布时的稳定性和效率。另一种方法LieFlow将对称性发现重新构建为李群上的分布学习问题，从而能够识别连续和离散的对称性。此外，Latent-CFM通过利用预训练的潜在变量模型来提高流匹配效率，尤其适用于高维数据。进一步的理论工作为KL散度和Wasserstein距离下的扩散流匹配（DFM）提供…
-
新的CROTS框架推进了分布学习评估
研究人员引入了条件随机有序传输空间（CROTS），这是一个用于评估分布学习的新型框架。CROTS 为随机概率测度空间配备了环境沃塞尔度量和随机序，从而能够评估质量移动的可接受性。该理论提供了一种数学语言来描述机器学习中证据过度和分布偏移等问题。
-
新论文探讨高级主成分分析技术
两篇新论文探讨了高级主成分分析（PCA）技术。其中一篇论文侧重于 Wasserstein 几何，介绍了一种使用神经网络参数化测地线来分析概率分布变化的方法。另一篇论文以章节形式发表，讨论了多元极值分析的降维问题。
-
Contact Wasserstein Geodesics 提出薛定谔桥的新方法
研究人员开发了一种对薛定谔桥问题的新表述，称为非保守广义薛定谔桥（NCGSB）。这种新方法通过允许能量随时间变化来克服先前方法的局限性，从而能够对更广泛的现实世界随机过程进行建模。该框架称为接触 Wasserstein 测地线（CWG），使用 ResNet 架构实现，并提供了一种非迭代求解器，其复杂度接近线性，使其在计算上高效。CWG 在流形导航、分子动力学预测和图像生成等任务中展示了通用性。
-
基于Lyapunov的能量匹配为生成模型提供了新视角
研究人员引入了一个新颖的生成模型框架，该框架利用一个独立于时间的单一能量函数来驱动样本生成。该方法通过将密度传输在Wasserstein空间上进行建模，并使用Kullback-Leibler散度作为Lyapunov函数，从而统一了训练和采样阶段。这项工作为Langevin采样提供了有限的停止标准，并证明了训练能量的加性组合可以保持Gibbs不变测度和继承Lyapunov证书，为约束生成和加速采样开辟了道路。
-
新方法通过集成模型和最坏情况分布分析增强鲁棒优化
研究人员开发了用于分布鲁棒优化（一种考虑数据分布不确定性的技术）的新方法。一种方法是集成分布鲁棒贝叶斯优化（Ensemble Distributionally Robust Bayesian Optimization），它使用模型集成来提高鲁棒性并实现理论上的次线性遗憾界限。另一篇论文介绍了分布鲁棒多目标优化（DR-MOO），其算法在最坏情况分布下最小化目标，从而提高了样本复杂度。此外，还提出了一个用于分布鲁棒学习的框架，以优化一阶方…
-
研究了指数概率测度的定量拉普拉斯型收敛结果
本文探讨了指数概率测度的定量拉普拉斯型收敛结果，重点关注类范数势。在广义雅可比行列式可逆条件下，利用Wasserstein距离建立了测度 $\pi_\varepsilon$ 和 $\pi_0$ 之间的界限。该研究利用了几何测度论工具，并将研究结果应用于最大熵模型以及非凸最小化在低温下随机梯度Langevin动力学的收敛性。
-
AI模型实现组织学图像的全细胞分割
研究人员开发了两种新颖的组织病理学图像分析AI方法。一种方法VitaminP，利用跨模态学习，通过从多重免疫荧光数据传输信息，实现从标准H&E染色图像进行全细胞分割。另一种方法变分标签比例分割（VSLP），在没有像素级标注的情况下，从全局组织类型比例推断密集分割，采用了Transformer模型和变分优化。两种方法在公开和内部数据集上均表现出优越性能，VitaminPScope和VSLP代码计划公开发布。