基于类别的最优传输恢复界：一种和范数正则化框架
机器学习
2023-05-23 v3 机器学习
摘要
我们开发了一个用于理解尊重类别结构的 OT（最优传输）方案的新理论框架。为此，我们提出一个带和范数正则化项的凸 OT 规划，其在几何假设下可证明恢复底层类别结构。此外，我们推导出一种具有闭式投影和近端算子方案的加速近端算法，从而提供一个更具可扩展性的计算最优传输计划算法。我们给出了即便在缺乏强凸性时最优解唯一性的新论证。我们的实验表明，与先前正则化子相比，新正则化子不仅在数据中更好地保持类别结构，还对数据几何提供额外鲁棒性。
引用
@article{arxiv.1903.03850,
title = {Recovery Bounds on Class-Based Optimal Transport: A Sum-of-Norms Regularization Framework},
author = {Arman Rahbar and Ashkan Panahi and Morteza Haghir Chehreghani and Devdatt Dubhashi and Hamid Krim},
journal= {arXiv preprint arXiv:1903.03850},
year = {2023}
}
备注
Accepted in 40th International Conference on Machine Learning (ICML 2023)