学习闭式 Monge 映射最优的表示及其在域适应中的应用
机器学习
2023-08-14 v2 人工智能
摘要
最优传输（OT）是一种强大的几何工具，用于遵循最小努力原则比较和对齐概率测度。尽管 OT 在机器学习（ML）中被广泛使用，其问题仍背负计算负担，同时因支撑于一般高维空间的测度而受维数灾难之苦。本文提出利用表示学习应对这些挑战。具体而言，我们寻求学习一个嵌入空间，使得两个输入测度的样本在其中可通过能高效闭式计算的简单仿射映射对齐。随后我们表明，该方法在迁移学习任务上的结果可与求解原始 OT 问题相媲美，而此前许多 OT 基线已在同质与异质 DA 设定下于此任务被评估。我们的贡献代码见 \url{https://github.com/Oleffa/LaOT}。
引用
@article{arxiv.2305.07500,
title = {Learning representations that are closed-form Monge mapping optimal with application to domain adaptation},
author = {Oliver Struckmeier and Ievgen Redko and Anton Mallasto and Karol Arndt and Markus Heinonen and Ville Kyrki},
journal= {arXiv preprint arXiv:2305.07500},
year = {2023}
}