Wasserstein metric
PulseAugur coverage of Wasserstein metric — every cluster mentioning Wasserstein metric across labs, papers, and developer communities, ranked by signal.
- instance of ScienceCast 90%
- instance of optimal transport 90%
- used by Gaussian function 90%
- used by alphaXiv 70%
- instance of alphaXiv 70%
- instance of Gotit.pub 70%
- instance of DagsHub 70%
- used by optimal transport 70%
- used by Gotit.pub 70%
- instance of CatalyzeX 70%
- instance of Gaussian function 70%
- used by CatalyzeX 70%
3 天有情绪数据
-
新的数学框架可从投影中识别低秩度量
一个名为 Silhouette Operator 的新数学框架已被开发出来，用于从低维投影中重建高维对象。该算子专为 R^2 上的低秩符号度量而设计，这些度量可以表示为一维因子的和。研究表明，特定数量的投影边际足以进行识别，并且必须仔细选择投影方向。该框架还引入了一种计算高效的估计器 Silhouette Mixture Estimation (SME)，用于从数据构建低秩经验度量。
-
新技术分析Q学习的收敛性和随机逼近中的偏差
研究人员开发了一种新技术，用于分析非光滑收缩随机逼近（SA）动力学，这与Q学习特别相关。该研究在Wasserstein距离下，对加性噪声以及加性和乘性噪声的同步/异步Q学习的迭代弱收敛到平稳极限分布进行了证明。引入了一种新颖的预极限耦合方法，以证明稳态收敛并表征步长趋近于零时的极限分布，揭示了与光滑SA不同，存在与步长平方根成比例的渐近偏差。
-
开发了马尔可夫链的新高斯近似界
研究人员开发了来自均匀遍历马尔可夫链的多元鞅差和的新高斯近似界。这些界限以高阶 Wasserstein 距离表示，在固定维度和阶数时达到 O(n^{-1/2}) 的最优速率。该方法引入了新技术来管理时间依赖性和高阶 Wasserstein 距离的复杂性，有可能在这些条件下的统计分析中提供更广泛的应用。
-
量子算法有望加速采样和优化
研究人员开发了新的量子算法，可在从复杂概率分布进行采样以及非凸优化任务方面提供加速。这些算法通过整合用于均值和梯度估计的量子子程序，增强了 Langevin Monte Carlo 和 Hamiltonian Monte Carlo 等经典方法。该研究适用于具有特定属性的分布，在 Wasserstein 距离和 Kullback--Leibler 散度方面提供了收敛保证，并展示了更快的采样如何加速各种目标的优化。
-
贝叶斯实验设计：KL散度 vs. Wasserstein距离
一篇新发表在arXiv上的论文探讨了使用贝叶斯实验设计（BED）来校准模型差异。该研究比较了Kullback-Leibler（KL）散度和Wasserstein距离作为BED中的效用函数。研究结果表明，在不存在模型差异时，KL散度提供了更快的收敛速度，而在存在不可忽略的模型差异时，Wasserstein度量提供了更稳健的结果，为选择适当的标准提供了实践指导。
-
AI在病理学中的模型通过新的基准测试和伪影生成技术获得鲁棒性
两篇新的研究论文探讨了提高计算病理学中AI模型可靠性和鲁棒性的方法。第一篇论文《计算病理学中伪影检测的可靠基准测试》提出了一种量化基准测试中变异来源的协议，并指出小队列基准测试支持的结论比通常暗示的要弱。第二篇论文《Destroy Me: 自动生成组织病理学图像的伪影》介绍了一个合成真实伪影以训练AI模型的框架，与在无伪影数据上训练的模型相比，在真实世界数据集上表现得到改善。
-
综述论文详述了用于机器学习中网络比较的最优传输
一篇新的综述论文探讨了最优传输方法在比较网络中的应用，特别是在机器学习背景下。该论文详细介绍了三种主要的距离：Wasserstein、Gromov-Wasserstein 和 Bures-Wasserstein，并考察了它们在无向、无权重图上的性质。它还讨论了这些距离如何揭示节点影响力，并提供了使用拉普拉斯谱界定距离的方法。最后，该综述通过使用合成和真实网络数据进行聚类和异常检测任务来评估这些最优传输距离。
-
新的贝叶斯在线学习框架通过近似保留了快速遗憾
研究人员开发了一个新的贝叶斯在线学习框架，即使在使用近似后验计算的情况下，也能保留快速预测遗憾的保证。该研究表明，近似后验的准确性（以Wasserstein距离衡量）直接影响继承的遗憾界限。该框架应用于三个示例：使用投影Langevin算法的线性模型、具有先验保留截断的无限维指数族模型以及具有稀疏变分后验的高斯过程回归。
-
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。