目录
摘要
- 本文是2018年的一篇论文。
- 本文提出了一种新的两步方法来解决从一个分布到另一个分布的最优映射的基本问题。首先,我们学习一个最优运输(OT)计划,它可以被认为是两个分布之间的一对多映射。为此,我们提出了一种正则化OT的随机对偶方法,并通过实验表明,当样本量很大时,它比最近的相关方法具有更好的扩展性。第二,我们将蒙日图(Monge Map)估计为通过近似先前获得的OT计划的重心投影( approximating the barycentric projection)而学习的深度神经网络。这种参数化允许 在输入度量的支持之外对映射进行泛化(generalization of the
mapping outside the support of the input measure) 。我们证明了正则化OT的两个理论稳定性结果,证明了我们的估计收敛于底层连续测度之间的OT计划和Monge映射。我们展示了我们提出的方法在两个方面的应用:领域适应和生成性建模。 - Sinkhorn algorithm的方法虽然也可以解决OT问题,但是在大量样本上的表现不好。而该论文的方法可以用于代替它。
介绍
- 原始的OT问题→网络单纯形法(network simplex,花费太大)→Sinkhorn algorithm(引入了熵正则化,更好优化。然而,Sinkhorn算法不能很好地扩展到大量样本上支持的度量,因为它的每次迭代都有一个O(n2)复杂度。此外,Sinkhorn算法不能处理连续的概率度量。)→最近的两个工作提出了通过随机梯度