Wasserstein-Fisher-Rao
PulseAugur coverage of Wasserstein-Fisher-Rao — every cluster mentioning Wasserstein-Fisher-Rao across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新框架使用变分 Doob-沃塞尔流学习不平衡种群动力学
研究人员开发了一种名为变分 Doob-沃塞尔流（VDWF）的无模拟新框架，用于学习不平衡种群动力学。该方法利用了不平衡平均场薛定谔桥理论，并通过学习具有数据依赖度量的几何模型来捕捉种群动力学的内在几何结构。VDWF框架通过 Doob 的 h-变换整合了边界信息，并在 Wasserstein-Fisher-Rao 空间中生成中间质量样本，同时学习动力学，而无需进行模拟。收敛速度通过均匀 Log-Sobolev 不等式进行分析，该方法在真…
-
新的变分方法使用Wasserstein-Fisher-Rao几何进行霍克斯过程强度估计
研究人员开发了一种新的变分方法，用于估计霍克斯过程的背景强度，特别是在已知触发机制但背景密度未知的情况下。该方法利用Wasserstein-Fisher-Rao几何和分布框架来处理不属于经典梯度流公式的动力学。该方法涉及将这些动力学投影到统计流形上，以推导出有限维方案，并侧重于高斯混合流形以实现实际应用。
-
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。
-
新的SUDO框架实现了更快、更灵活的不平衡最优传输
研究人员开发了SUDO，一种用于无模拟不平衡动态最优传输（UDOT）的新框架，该框架可处理一般非二次凸增长惩罚。该方法绕过了计算密集型NeuralODE模拟或仅限于二次惩罚（如Wasserstein-Fisher-Rao（WFR））的解析解的需要。SUDO学习条件路径和传输成本，然后使用不平衡流匹配来实现无模拟解决方案，在计算速度显著提高的同时，实现了与现有方法相当的准确性。