大规模最优传输的可扩展高效计算
机器学习
2019-06-26 v3 机器学习
摘要
最优传输（OT）自然出现在许多机器学习应用中，然而沉重的计算负担限制了其广泛使用。为解决可扩展性问题，我们提出了一种称为 SPOT（Scalable Push-forward of Optimal Transport，可扩展最优传输前推）的基于隐式生成学习的框架。具体地，我们用参考分布的前推来近似最优传输计划，并将最优传输问题转化为极小极大问题。随后我们可以使用原始对偶随机梯度型算法高效求解 OT 问题。我们还展示了可利用神经常微分方程恢复最优传输计划的密度。在合成与真实数据集上的数值实验表明，SPOT 具有鲁棒性且收敛行为良好。SPOT 还允许我们从最优传输计划中高效采样，这有助于域适应等下游应用。
引用
@article{arxiv.1905.00158,
title = {On Scalable and Efficient Computation of Large Scale Optimal Transport},
author = {Yujia Xie and Minshuo Chen and Haoming Jiang and Tuo Zhao and Hongyuan Zha},
journal= {arXiv preprint arXiv:1905.00158},
year = {2019}
}