反馈 Schrodinger 桥匹配
机器学习
2025-02-24 v3 机器学习
摘要
扩散桥接在分布传输问题中的最新进展高度依赖于匹配框架，但现有方法常在可扩展性与训练期间获取最优配对之间存在权衡。完全无监督的方法做出最小假设但计算成本高昂，限制了实际应用。另一方面，通过最优配对强制实施完整的监督可提高可扩展性，但在许多应用中可能不可行。为在可扩展性和最小监督之间取得平衡，我们引入了反馈 Schrodinger 桥匹配（FSBM），一种新型半监督匹配框架，通过纳入少量（小于整个数据集的 8%）的预对齐对作为状态反馈来指导非耦合样本的传输图，从而显著提高效率。这通过在静态 Entropic 最优传输（EOT）问题中添加捕获半监督指导的额外项来实现。将广义 EOT 目标重新表述为动态形式以利用匹配框架的可扩展性。广泛的实验表明，FSBM 通过利用耦合对指导加速训练并提高泛化能力，为使用部分对齐数据集训练匹配框架开辟了新的途径。
引用
@article{arxiv.2410.14055,
title = {Feedback Schr\"odinger Bridge Matching},
author = {Panagiotis Theodoropoulos and Nikolaos Komianos and Vincent Pacelli and Guan-Horng Liu and Evangelos A. Theodorou},
journal= {arXiv preprint arXiv:2410.14055},
year = {2025}
}