Wasserstein metric
PulseAugur coverage of Wasserstein metric — every cluster mentioning Wasserstein metric across labs, papers, and developer communities, ranked by signal.
- used by Gaussian function 90%
- used by optimal transport 80%
- instance of DagsHub 70%
- instance of alphaXiv 70%
- used by Gotit.pub 70%
- used by CatalyzeX 70%
- used by Kullback–Leibler divergence 70%
- used by alphaXiv 70%
- instance of Sliced-Wasserstein distance 70%
- used by ScienceCast 60%
- used by DagsHub 60%
- instance of optimal transport 60%
9 天有情绪数据
-
新的弗雷歇回归方法使用非正态传输处理多元分布
研究人员开发了一种新的多元分布响应回归方法，该方法在半参数非正态族内对分布进行建模。该方法将非正态传输（NPT）度量（作为Wasserstein距离的有效替代）纳入弗雷歇回归框架。该方法将问题分解为对边际分布及其依赖结构的单独回归，从而能够高效估计和详细解释预测变量的影响。提供了NPT的理论依据，包括其与Wasserstein距离的双Lipschitz等价性以及其减轻维度灾难的能力，并保证了回归估计器的统一收敛性。
-
用于非欧几里得数据集的新型可观测 Wasserstein 距离框架
研究人员引入了可观测 Wasserstein 距离，这是一个新颖的框架，旨在为概率测度之间的 Wasserstein 距离提供下界。该方法对于计算成本过高的、大规模的非欧几里得数据集特别有用。通过使用 1-Lipschitz 可观测值将测度投影到实线上，该框架计算推前分布之间的 Wasserstein 距离，从而在下界精度和计算效率之间提供可调的权衡。
-
新的理论界限改进了复杂分布的Langevin采样
研究人员为Moreau--Yosida未调整Langevin算法（MYULA）开发了新的理论界限，这是一种用于从复杂概率分布采样的算法。该研究侧重于非光滑复合目标，并引入了一个新指标——活动迹（active trace），与以前的方法相比，该指标能更好地控制算法的离散化误差。这一进展可能导致更有效的机器学习采样技术，特别是在涉及强凸和Lipschitz梯度的问��中。
-
新的控制框架使用切片最优输运进行分布引导
研究人员开发了一种新的分布引导控制框架，这是一种将动力学系统的状态律引导至指定初始和终端分布之间的方法。该框架利用切片最优输运，通过使用一维投影而不是完整的状态空间构造来简化过程。所开发的方法产生一个随机控制器，该控制器在平均后提供确定性的切片反馈，从而有效地将系统引导至目标分布，同时最小化控制能量。该方法已被证明可用于单积分器动力学和线性动力学系统，并能保持高斯性以及引导高斯终端律的均值和协方差值。
-
AI利用归一化流加速大型强子对撞机探测器模拟
研究人员开发了一种使用微调归一化流（NFs）的新方法，以加速大型强子对撞机粒子探测器响应的模拟。该方法解决了ALICE零度量能器传统蒙特卡洛模拟的计算成本问题。通过采用迁移学习和针对不同粒子类型微调专用模型，新框架显著提高了模拟效率和准确性，在各种与物理相关的指标上均优于现有方法。
-
新的聚类 alpha-平滑增强了预测鲁棒性
研究人员开发了一个名为聚类 alpha-平滑的新框架，以提高随机预测函数的鲁棒性，尤其是在安全关键应用中。该方法解决了传统随机平滑在多模态回归设置中可能出现的模式崩溃问题。所提出的方法将噪声样本划分为簇，在每个簇内应用 alpha-平滑，然后将这些结果合并为混合分布。实验表明，与现有方法相比，在四旋翼飞行器控制中的碰撞率降低了 81%，在驾驶模拟器轨迹预测中的 Wasserstein 距离降低了 27%。
-
新的因果变分深度嵌入框架解决了混淆图像生成问题
研究人员推出 CauVaDE（因果变分深度嵌入），一个新颖的框架，旨在解决深度生成模型中因未观测到的混淆因素而从训练数据中继承虚假关联的挑战。CauVaDE 将这些混淆因素建模为离散的潜在集群，从而允许跨越可行区域的可追溯干预分布族。在图像数据基准上的实验表明，CauVaDE 能够生成多样化的干预样本，并在 Fréchet inception distance 方面优于现有方法。
-
新的 Gromov-Wasserstein 量化方法扩展了 k-means 聚类
一篇新论文将 Gromov-Wasserstein (GW) 量化作为传统 k-means 聚类的扩展。该方法不仅对数据点进行聚类，还考虑了空间的嵌入几何，提供了新的建模可能性。该研究为 GW 量化提供了理论保证，并提出了一种类似于 Lloyd 算法的数值近似算法，证明了其在分析 3D 形状和修剪神经网络等应用中的效用。
-
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…
-
新的贝叶斯方法改进了无限维模型的导数估计
一篇新发表在arXiv上的研究论文详细介绍了无限维指数族贝叶斯导数估计的进展。该研究引入了一种使用Wasserstein距离的新方法，该方法建立在Dolera等人（2024）先前工作的基础上。研究结果表明，平滑匹配先验可以在Sobolev范数下实现最优的后验收缩率，适用于密度估计、泊松强度估计和高斯白噪声模型等各种模型。
-
Gromov-Wasserstein 量化扩展 K-Means 以实现几何感知聚类
本文将 Gromov-Wasserstein (GW) 量化作为传统 k-means 聚类的扩展。与在空间内进行点聚类的标准 Wasserstein 量化不同，GW 量化还考虑了空间本身的几何结构。该研究证明了 GW 量化的解的存在性，并提出了一种类似于 Lloyd 算法的数值逼近算法。研究还分析了欧几里得几何的量化速率，并通过实验证明 GW 量化提供了新的建模能力，例如用于 3D 形状和神经网络剪枝。
-
合成数据提升豇豆检测准确性
研究人员开发了一种方法来提高用于检测豇豆开花和豆荚的 AI 模型的泛化能力。这些模型在应用于新环境或遗传变异时，准确性常常受到影响。研究发现，从 3D 豇豆模型生成的合成数据可以提高模型性能，但受限于领域差距。通过采用一种由 Wasserstein 距离优化的、感知相机真实感的增强策略，并利用线性 HDR 表示，合成数据在仅使用少量真实世界示例的情况下，实现了与真实数据基线相当或更优的性能。
-
新研究统一了图神经网络的表达能力与几何学，并探索了随机特征
两篇新的arXiv论文探讨了图神经网络（GNNs）的理论基础。第一篇论文引入了一个使用经验Rademacher复杂度来统一GNN表达能力和几何学的框架，提供了考虑数据分布和输入空间几何学的更紧密的泛化界限。第二篇论文研究了具有随机节点特征的GNNs，为置换等变神经网络建立了普遍性结果，并推导了可微函数的逼近率。
-
论文分析持久同调性度量在3D图像去噪中的鲁棒性
本文探讨了持久同调性度量在应用于3D图像（特别是多孔介质图像）去噪时的鲁棒性。研究调查了在高斯噪声和各种去噪技术（包括高斯卷积和机器学习方法）的影响下，不同的拓扑度量（如瓶颈距离、Wasserstein距离、持久性统计量和持久性图像）的表现。目的是评估这些度量在存在噪声的情况下准确表示图像底层结构的可靠性。
-
新方法从数据流估计切片 Wasserstein 距离
研究人员开发了一种名为流式切片 Wasserstein (Stream-SW) 的新方法，用于从数据流估计切片 Wasserstein (SW) 距离。该方法通过引入一维 Wasserstein 距离 (1DW) 的流式估计器来提高计算可扩展性，然后将其应用于所有投影以创建 Stream-SW。该方法具有低内存复杂度，同时提供近似误差的理论保证，在具有高斯分布和混合物的实验中优于随机子采样。Stream-SW 在点云分类、梯度流和变化…
-
新的MIS-HCC方法可有效压缩医学图像分割模型
研究人员开发了MIS-HCC，一种新颖的分层聚类方法，旨在压缩用于医学图像分割的深度神经网络。该技术解决了在资源受限的医疗设备上部署准确但轻量级模型的挑战。通过使用Wasserstein度量来衡量通道相似性，MIS-HCC有效地对通道进行分组和融合，从而得到保留了关键特征的压缩模型，并在多个医学图像数据集上，在准确性和压缩效率方面均优于现有的最先进方法。
-
神经网络为bootstrap失效问题提供新方法
研究人员开发了一种新颖的摊销推断方法，使用神经网络来估计抽样分布，特别适用于传统Efron bootstrap方法失效的场景。这种新方法在模拟数据上进行训练，并利用pinball损失函数，可以从单个数据集中生成高精度的完整抽样分布估计。在估计极端分位数和尾部指数等各种具有挑战性的统计问题中，该方法与m-out-of-n bootstrap和子抽样等经典技术相比，表现出优越的性能。
-
新方法从高斯噪声合成真实世界数据
一篇新论文提出了一种使用全连接神经网络生成合成数据的有效方法。该方法将高维高斯噪声转换为近似真实世界表格数据集的分布。该方法包括数据预处理、用于降维和隐私增强的主成分分析，以及基于 Wasserstein 距离的新型随机损失函数。在 25 个数据集上的实验表明，该方法在实现具有竞争力的相似度和隐私分数的同时，速度也显著快于现有的深度学习解决方案。
-
新的OT-ICA算法使用Wasserstein距离进行独立成分分析
研究人员开发了一种名为OT-ICA的新算法，该算法利用到标准高斯分布的平方Wasserstein距离来衡量非高斯性，这是独立成分分析（ICA）的关键因素。该方法旨在克服传统ICA方法依赖于难以处理的负熵优化和代理函数的局限性。OT-ICA算法找到最大化此Wasserstein距离的投影，从而有效地恢复独立成分。实证结果表明，OT-ICA在模拟数据上的表现优于现有方法，并已成功应用于EEG伪影去除和计量经济学价格发现等实际任务，证明了其…
-
新方法使用 Wasserstein 距离进行 ICA 和因果推断
研究人员开发了一种新颖的独立成分分析 (ICA) 和因果推断方法，使用到标准高斯分布的平方 2-Wasserstein 距离作为非高斯性的度量。该方法可以精确识别 ICA 解混矩阵，并表征线性非高斯无环模型 (LiNGAM) 中的因果顺序。论文详细介绍了经验估计器、收敛界限以及用于 ICA 和因果顺序搜索的三种实用求解器，展示了具有竞争力的性能并发布了开源实现。