Wasserstein space
PulseAugur coverage of Wasserstein space — every cluster mentioning Wasserstein space across labs, papers, and developer communities, ranked by signal.
7 天有情绪数据
-
使用强化学习的扩展平均场控制新框架
研究人员为连续时间扩展平均场控制问题开发了一个新颖的无模型强化学习框架。该方法利用确定性反馈策略，通过直接诱导状态-动作分布来简化优化。该框架建立了McKean-Vlasov动力学的无模型敏感性公式，并在Wasserstein空间上推导了确定性策略梯度。它结合了局部值和优势率表示，从而得到一个同时包含动作和度量导数项的策略梯度，并通过连续时间深度确定性策略梯度算法实现。
-
新的动态 Fréchet 回归框架模拟演变的分布数据
研究人员推出了一种新的统计框架动态 Fréchet 回归（DFR），用于模拟随索引（如时间或深度）演变的分布数据。DFR 通过引入一种感知索引的加权机制来扩展全局 Fréchet 回归，该机制同时考虑预测变量的相似性和索引的邻近性。这种方法允许进行特定于每个索引的预测，同时还能利用来自邻近索引的信息。此外，DFR 还包含一种感知几何的特征选择方法，通过识别驱动分布变化的关键预测变量来增强高维数据集的可解释性。
-
平均场 Langevin 动力学显示局部指数稳定性
研究人员已经确立了平均场 Langevin 下降-上升 (MFL-DA) 动力学及其相关粒子系统的局部指数稳定性。这项工作解决了 Wang 和 Chizat 关于 MFL-DA 在一般非凸-非凹博弈中收敛到混合纳什均衡的收敛速率的问题。研究结果表明，如果初始状态接近平衡，则在 Wasserstein 空间中收敛速度呈指数级增长。此外，有限粒子系统在与粒子数量成指数关系的时间内继承了这种稳定性。
-
深度残差网络学习Wasserstein空间中的测地线
一篇新的arXiv论文提出，深度残差网络（ResNets）在训练过程中学习Wasserstein空间中的测地线。该研究使用连续性方程对ResNet前向传播进行建模，表明带有L2正则化的ResNets比普通网络更有效地逼近这条测地线。这种改进的逼近被认为是ResNets优化和泛化能力更好的原因。
-
新的DC规划方法优化Wasserstein空间中的泛函 · 跟踪2个来源
研究人员开发了一种新方法，通过调整凸差（DC）规划方法来优化Wasserstein空间中的非凸泛函。该技术应用于最大均值差异（MMD）和能量距离（ED）等泛函，旨在提高优化算法的收敛性和稳定性。实证结果表明，与这些目标的标准Wasserstein梯度下降相比，DC分解提供了更快、更可靠的收敛。
-
新的熵控制流匹配方法增强生成模型
研究人员推出了一种新颖的训练生成模型的方法——熵控制流匹配（ECFM），该方法解决了标准流匹配目标中的局限性。ECFM强制执行全局熵率预算，防止可能导致语义模式耗尽的低熵瓶颈。这种方法被表述为在Wasserstein空间中的一个凸优化问题，为模式覆盖和密度底提供了理论保证，并展示了优于无约束流匹配的性能。
-
新论文模拟了噪声观测下信念形成的几何结构
一篇新的arXiv论文探讨了在具有噪声观测的有限系统中，信念形成相关的几何成本。该研究将该过程建模为Wasserstein空间中的最优传输，并由Fisher信息重新加权，以定义信念成本几何。主要发现包括一个“墙”，在此处推理会拒绝确定性；一个等同于Fisher族的“诚实族”几何；以及一个指向双曲几何的“刚性”，其中Stam界将高斯分布加冕为最具双曲性的。
-
论文通过Wasserstein几何统一扩散模型和流匹配
本文探讨了扩散模型和流匹配的底层几何学，揭示两者都受概率测度空间上二次Wasserstein距离的支配。研究提出，扩散模型遵循自由能的梯度流，类似于Fokker-Planck方程，而流匹配则学习Wasserstein空间中的测地线。通过在单一几何框架下统一这些模型，本文阐明了它们之间的关系，并提出流匹配的确定性ODE方法提供了更有效的采样方式。
-
New WT-PCA Method Analyzes Probability Measure Variations in Wasserstein Geometry
本文介绍了一种新的方法——Wasserstein Tangential PCA (WT-PCA)，用于学习Wasserstein几何中的概率测度的主要变化。该方法利用动力学公式将log-PCA解释为一种变分方法，能够捕捉测地线变化模式。研究还推导了经验WT-PCA估计的统计收敛率，特别是与2-Wasserstein距离的关系。
-
新的 $L^2$ over Wasserstein 框架增强了随机测度的最优传输
研究人员引入了一个名为 $L^2$ over Wasserstein 空间的新框架，以解决最优传输中的统计不确定性。该框架将经典理论扩展到随机概率测度，保留了 Wasserstein 空间的黎曼结构，并实现了随机梯度流动力学。该方法为随机最优传输提供了一种统一的方法，有利于原则性推理和生成模型，并可以纳入 Transformer 模型中的随机 token 采样等理论。
-
新的MMFLD方法优化约束域上的概率测度
研究人员引入了Mirror Mean-Field Langevin Dynamics (MMFLD)来解决概率测度约束域上的优化问题。这种新方法扩展了现有的均值场算法，而这些算法通常仅限于无约束空间。MMFLD专为优化\(\mathbb{R}^d\)的凸子集内的概率测度而设计，为复杂相互作用粒子系统（如无限宽度神经网络中的系统）提供了解决方案。
-
新的牛顿型方法加速了在Wasserstein空间上的优化
研究人员开发了一种新的二阶优化方法，称为Wasserstein无鞍牛顿法（WSFN），以解决在Wasserstein空间上最小化非凸泛函所面临的挑战。该方法旨在克服现有的一阶方法的局限性，通过更快地收敛到全局最小值并更有效地逃离鞍点。WSFN方法利用预条件的Wasserstein Hessian来指导收敛，其理论分析表明，在某些假设下，该方法可以在多项式时间内逃离鞍点区域，并以线性速度收敛到全局最小值。还提出了一种基于粒子的WSFN实现。
-
新的OptMuon方法通过自适应动量增强随机优化
研究人员推出了一种新颖的自适应动量正交化方法OptMuon，用于随机非凸优化，该方法通过观察到的轨迹校准更新幅度。该方法将Muon风格的方向与依赖于轨迹的系数计划相结合，避免了对平滑度常数或方差水平的依赖。OptMuon为噪声自适应性和零噪声最优性提供了理论保证，在无需手动调整超参数的情况下，可降低到接近最优的确定性速率。