Wasserstein 距离的正交估计
机器学习
2019-04-08 v2 机器学习
摘要
Wasserstein 距离在机器学习的各类应用中日益广泛使用。切片 Wasserstein 距离构成一类重要的子类，可通过一维排序操作高效估计。本文提出切片 Wasserstein 距离的一种新变体，研究 Monte Carlo 估计 Wasserstein 距离中正交耦合的使用，并将其与分层采样相联系，并在生成建模与强化学习的一系列大规模实验中验证了我们的方法。
引用
@article{arxiv.1903.03784,
title = {Orthogonal Estimation of Wasserstein Distances},
author = {Mark Rowland and Jiri Hron and Yunhao Tang and Krzysztof Choromanski and Tamas Sarlos and Adrian Weller},
journal= {arXiv preprint arXiv:1903.03784},
year = {2019}
}
备注
Published at AISTATS 2019