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
-
新的 MS-WDRO 框架使用 Wasserstein 度量融合异构图数据
研究人员开发了一个名为 MS-WDRO 的新颖框架，用于从多个异构数据源学习图结构。该方法利用 Wasserstein 度量来融合不同的数据集，通过计算加权 Wasserstein 重心，在保留每个源的内在几何结构的同时对残余不确定性进行对冲。该框架使用交替方向乘子法 (ADMM) 方案进行优化，并包含一个用于数据自适应超参数校准的可微分架构。在合成数据和 ABIDE I 神经影像数据集上的实验表明，MS-WDRO 在图恢复、样本效率…
-
新的风险量化方法增强了AI代理在不确定性下的安全性
研究人员开发了新的方法，使代理能够在不确定环境中量化和管理风险，尤其是在学习阶段。一种方法RATTL（Risk-Adversarial Total-Reward Learning）通过使用贝叶斯后验来定义一个Wasserstein模糊集，将谨慎与认知不确定性联系起来。这使得代理能够随着对环境理解的提高，动态地调整其行为，从鲁棒的最坏情况规划转向风险中性最大化。一种相关的方法Wasserstein熵值风险，提供了一种连贯的风险度量，它考…
-
新AI框架BRaG从多样化专家策略中学习股票交易
研究人员开发了BRaG，一个新颖的股票交易框架，它利用对抗性逆强化学习从多样化的专家策略中学习。该方法使用性能加权的Wasserstein重心来聚合异构交易风格，从而创建一个稳定的伪专家表示。BRaG随后通过对抗性模仿学习预训练交易策略，该策略随后通过实际市场回报进行精炼，并纳入控制屏障函数来管理风险和执行回撤限制。在美国、英国、印度和台湾市场的评估表明，BRaG的性能优于传统的交易规则和最近的深度强化学习方法，同时保持了更稳定的风险特征。
-
新的 EMS Coreset 算法为机器学习提供高效数据子集选择
研究人员开发了 EMS Coreset，这是一种旨在更高效地为机器学习任务创建代表性数据集子集的新算法。该方法利用带有 Sinkhorn 正则化的期望最大化方法，允许非均匀的 coreset 权重，并提供广义的 k-means 聚类解决方案。与现有的 Wasserstein 和标准 Sinkhorn coreset 选择技术相比，该算法在近似质量和鲁棒性方面表现出竞争力，同时显著减少了计算时间，尤其是在处理大型数据集时。
-
新算法增强了均值场变分推断的稳定性
研究人员开发了一种用于均值场变分推断的有限批次粒子算法，将其稳定性扩展到强凸势函数之外。该算法被分析为投影 Wasserstein 动力学的离散近似，重点是使用曲率缺陷量化与收缩性的偏差。这项工作为 Wasserstein 稳定性提供了非渐近界限，区分了各种误差源，并建立了粒子迭代接近最小化器的条件。
-
新研究探索使用Wasserstein度量进行鲁棒分布学习 · 跟踪3个来源
三篇新研究论文探讨了使用Wasserstein度量进行鲁棒分布学习和在线优化的先进方法。第一篇论文介绍了Wasserstein Filtering (WF)，用于识别和移除受污染的样本以进行更准确的分布估计，并用扩散模型证明了其有效性。第二篇论文提出了Huber-Wasserstein中心点，一种用于分布值数据的鲁棒方法，它在均值和中值行为之间进行插值，并提供了强大的理论保证。第三篇论文提出了一个用于风险规避型Wasserstein分…
-
新的 Wasserstein 策略梯度方法用于 LQ 控制问题
研究人员开发了一种用于熵正则化线性二次 (LQ) 控制问题的 Wasserstein 策略梯度 (WPG) 方法。该方法利用了无约束 LQ 控制问题具有线性高斯最优策略这一事实。WPG 方法通过考虑动作空间中的传输来更新动作律，并且 Bellman 验证论证证实了折扣占用加权的逐状态 Wasserstein 梯度与该策略类相切。因此，WPG 方法简化为反馈增益和动作协方差的有限维常微分方程 (ODE)，该方程被证明是全局适定的，并且可…
-
新的亚二次方法改进了 MDP 的双模拟度量计算
研究人员开发了一种新颖的亚二次方法来计算马尔可夫决策过程（MDP）中的双模拟度量。这种新方法利用近似最近邻（ANN）索引来有效地选择状态对进行更新，与传统的二次方法相比，大大降低了计算成本。该技术提供了覆盖增强的保证，确保即使并非所有状态对都得到更新，全局误差也能得到控制，并提供了可计算的双边证书来验证度量的准确性。
-
深度学习粒子系统在神经SDEs中的收敛性分析
本文分析了深度学习中出现的受控粒子系统，特别关注神经随机微分方程（SDEs）。研究人员考察了样本量增加时采样最优控制问题的极限行为，将N粒子系统与集中式控制联系起来。该研究通过应用随机最大值原理和分析反向随机Riccati方程，建立了统一于N的正则性结果，最终证明了在Borel概率测度的Wasserstein空间中目标泛函最小值和最优参数的收敛性。
-
新研究改进了 Langevin 算法的 Wasserstein 混合时间估计
一篇新发表在 arXiv 上的论文详细介绍了不可调 Langevin 算法渐近偏差的改进估计。该研究为 Wasserstein 混合时间提供了新的界限，达到了 $\kappa \sqrt{d}/\varepsilon$ 的数量级。这比先前最先进的结果有了显著改进，提供了 $\sqrt{d}/\varepsilon$ 的增强。
-
新研究探索最大均值差异的 Wasserstein 梯度流
研究人员发表了一篇论文，详细介绍了使用能量核的最大均值差异（MMD）的 Wasserstein 梯度流。该研究解决了将标准梯度流理论应用于非光滑核的挑战，尤其是在更高维度的情况下。论文在特定条件下证明了概率密度的全局适定性，并探讨了相关的 N 粒子系统的行为，包括非碰撞性质和收敛到连续流。
-
新的Voronoi直方图方法增强了拓扑数据分析
研究人员开发了一种名为Voronoi直方图的新方法，用于预期持久性图（EPDs）的向量化，EPDs用于分析点云数据的拓扑结构。该方法提供了一种替代现有依赖于高斯函数等预定义变换的EPD向量化方法。提出的基于Voronoi图的直方图方法使用自适应划分进行计数，旨在保留Wasserstein尺度的变化，并在真实数据集的分类和降维任务中显示出有效性。
-
分布随机森林针对复杂数据和调查设计进行改进 · 跟踪 2 个来源
两篇新研究论文探讨了分布随机森林的高级应用，超越了传统的基于均值的分裂。第一篇论文介绍了分布分裂准则的扩展，包括傅里叶特征最大均值差异和切片-Wasserstein，发现各向同性MMD与更复杂的变体相比表现相当，并且分布分裂对于多变量响应最有效。第二篇论文提出了一种调查校准的分布随机森林（SDRF），它使用伪总体自举和MMD分裂准则整合了复杂的调查设计特征，建立了理论一致性，并在真实世界调查数据上展示了其效用。
-
新的Wasserstein质心求解器达到最先进性能
研究人员开发了一种计算Wasserstein质心的新方法，该方法用于聚合概率测度同时保持几何特性。这种新颖的方法利用概率测度空间中的梯度流，通过时间离散化实现可扩展计算。该方法结合了小批量最优传输，允许通过任务感知函数进行模块化正则化，并将监督信息整合到地面成本中。在计算机视觉、神经科学和化学工程领域的域适应基准测试中的实证验证表明，这种新求解器达到了最先进水平，有标签质心始终优于无标签质心。
-
新的熵曲率方法增强图神经网络
研究人员引入了一个称为熵曲率的新概念，以解决图神经网络（GNNs）的局限性，特别是过平滑和过压缩问题。这种新方法通过使用源自熵沿 Wasserstein 测地线的位移凸性的全局、基于传输的方法来扩展现有的曲率概念。该论文提出了一种可处理的曲率代理，并证明了其在控制过平滑、约束传输-熵泛化以及证明统一过平滑和过压缩于单一曲率谱的膨胀悖论方面的效用。实际应用包括三种新机制：E-Gate 聚合器、ENT 结构编码和中点完成重连（MCR），这…
-
引入使用 Wasserstein 核的新的分布聚类方法
研究人员引入了分布行列式点过程（dDPP），一种用于聚类概率分布的新颖方法。该 dDPP 利用切片 Wasserstein 核，并被证明是一个有效的点过程。该框架允许使用具有排斥性的广义贝叶斯混合模型进行值分布的随机分区模型，并在混合测度的原子上放置 dDPP 先验。所提出的方法已应用于单细胞基因表达数据和人类癫痫病数据，产生了可解释且分离良好的簇。
-
新数学论文详述Wasserstein空间上的优化
研究人员开发了在Wasserstein空间上优化泛函的新方法，Wasserstein空间是理解概率分布至关重要的数学概念。该工作为近邻下降方案建立了线性收敛性，放宽了对测地凸性的先前要求。这项进展利用了均匀对数Sobolev不等式和熵“三明治”引理，扩展了先前研究并解决了与方案中相对Fisher信息定义相关的挑战。
-
新研究将大型语言模型容量与对抗性迁移下的安全性提高联系起来
一篇新研究论文介绍了一个用于大型语言模型（特别是Transformer）上下文学习（ICL）的鲁棒元学习框架。该框架通过分析模型容量、上下文示例数量与最大安全扰动半径之间的关系，为对抗性分布迁移提供了理论保证。研究结果表明，在这些迁移下，更大的模型本质上更安全，鲁棒性与模型容量的平方根成正比。
-
新框架统一向量量化，提升视觉表示学习效果
研究人员开发了一个新的向量量化（VQ）框架，解决了训练不稳定和码本坍塌等常见问题。提出的分布匹配框架旨在对齐特征向量和码向量的分布，并在理论和实证上证明了其有效性。该方法利用了基于Wasserstein的目标函数，并提供了高效的高斯近似或非参数最大均值差异替代方案，在视觉标记基准测试中表现强劲。
-
新的最优自蒸馏方法改进了生成模型训练
研究人员为流（RF）模型开发了一种称为最优自蒸馏（SD）的方法，旨在改进生成模型训练。该技术涉及在真实 RF 速度和次优教师速度的混合物上训练学生模型。该研究提供了一个理论框架，推导了一个最优混合系数和一个避免广泛网格搜索的验证程序。实验表明，与现有方法相比，这种最优自蒸馏提高了速度估计、模式恢复和生成准确性。