最优传输-离散

最新推荐文章于 2024-02-22 11:58:35 发布

m0_46634282

最新推荐文章于 2024-02-22 11:58:35 发布

阅读量550

点赞数 1

分类专栏：论文文章标签：算法机器学习 python 人工智能深度学习

本文链接：https://blog.csdn.net/m0_46634282/article/details/128169762

版权

最优传输研究了两个分布之间的几何度量，涉及离散测度和映射关系。Monge问题关注点云间的映射，而Kantorovich问题通过耦合矩阵解决非唯一映射问题，形成了线性规划。文章介绍了Wasserstein距离、质心定义及应用场景，如多标签学习、WGAN和zero-shot learning。并探讨了如何计算最优传输，包括熵正则化、投影问题和线性规划的对偶问题。

摘要由CSDN通过智能技术生成

参考：
1.运筹千里纵横论坛｜王祥丰：计算最优传输及其应用浅谈
2.最优传输的理论与计算系列讲座之二：Monge-Kantorovich理论

最优传输研究两个分布之间几何的度量，
概率向量a（n维），每个维度上ai>=0，和为1
离散测度：跟概率向量a有关系，和n个点x1…xn有关。
在这里插入图片描述
对于离散测度的monge问题，考虑两个离散测度之间的关系，对一个离散测度 $a l p h a$ 和一个 $b e t a$ ,希望找到一个映射T，由n维映射扫m维的向量（空间）.建立一个映射T#把离散测度 $a l p h a$ 映射到离散测度 $b e t a$ ，对monge不一定能匹配很好。
在这里插入图片描述
monge缺点：
1.希望两个点云是相同大小
2.是组合或非凸优化问题
K松弛
核心：之前M不能把ai拆分，K把任何一个点xi对应的质量ai进行分解，分别传输到不同的yj上。
对应的映射转化为一个耦合(couping)矩阵P代替松弛后的关系
在这里插入图片描述
对P定义：是nm维，把n维概率向量传输到m维概率向量上，满足所有元素>=0，P乘上m维单位向量要和 $a l p h a$ 对应的概率向量要相同，同时 $P^T$ 乘上n维全是1的向量要和 $b e$