最优传输系列-第二篇

最新推荐文章于 2024-08-21 09:31:58 发布

Utterly Bonkers

最新推荐文章于 2024-08-21 09:31:58 发布

阅读量5.1k

点赞数 5

文章标签：高级数学线性代数机器学习最优传输读书笔记

本文链接：https://blog.csdn.net/utterly_bonkers/article/details/88613536

版权

这篇博客探讨了在机器学习中，最优传输如何定义距离，特别是Wasserstein距离。通过对比Wasserstein距离（W1，又称"Earth mover’s distance"）与L2距离，阐述了Wasserstein距离在处理不同支集的概率分布时的优势，指出其为一个弱距离且满足度量条件。此外，还提到了当概率分布整体平移时，Wasserstein距离的简便计算特性。

摘要由CSDN通过智能技术生成

最优传输系列是基于Computational Optimal Transport开源书的读书笔记

2.4 用最优传输定义距离

在各种机器学习算法中，距离的定义都是至关重要的，经常对算法的性能有极大的影响，也是设计算法时最需要考虑的几点之一。举个简单的例子，同一个聚类算法用不同的距离计算，会得到完全不同的结果。在很多情况下，我们最熟悉的L2距离就已经很好了，不过用高级数学找到更好的距离计算方式，有时就能更上一层楼。

在这一节里，我们来认识最优传输在距离方面的贡献-Wasserstein distance
Wasserstein metric
书中eq 2.17一句简短的公式，就把Wasserstein 距离定义完了，可能一开始比较难理解。不过没有关系，我们分析一下这个定义，以及它和 $L^2$ 之间本质的区别，这个概念也就很清楚了。

eq 2.17本身意义很简单，定义p-Wasserstein $W_{P}$ 等于以 $D^P$ 为cost matrix的，从概率分布a到b的Kantorovich传输代价的 $\frac{1}{P}$ 次方

那么我们举个 $P = 1$ 的实际例子:
(注: $W_{1}$ 也称"Earth mover’s distance",这个名字来源于第一篇里讲的沙雕比喻)
$W_{P}([2,3,4],[5,6,7],[\frac{1}{2},\frac{1}{4},\frac{1}{4}],[\frac{1}{2},\frac{1}{4},\frac{1}{4}])=3$