核高斯混合模型的最优传输
机器学习
2023-10-31 v1 机器学习
摘要
来自最优质量传输（OMT）的 Wasserstein 距离是一种强大的数学工具，具有众多应用，并为两个概率分布之间的距离提供了自然的度量。已有若干方法将 OMT 引入广泛使用的概率模型（如高斯或高斯混合）中，以增强对真实数据集复杂多模态密度的建模能力。然而，极少有研究探索再生核希尔伯特空间（RKHS）中的 OMT 问题，其中利用核技巧避免将输入数据显式映射到高维特征空间的需求。在本研究中，我们提出一种 Wasserstein 型度量，通过核技巧（即核高斯混合模型）计算 RKHS 中两个高斯混合之间的距离。
引用
@article{arxiv.2310.18586,
title = {Optimal Transport for Kernel Gaussian Mixture Models},
author = {Jung Hun Oh and Rena Elkin and Anish Kumar Simhal and Jiening Zhu and Joseph O Deasy and Allen Tannenbaum},
journal= {arXiv preprint arXiv:2310.18586},
year = {2023}
}
备注
17 pages, 5 figures, 2 tables