基于生成对抗网络的可扩展非平衡最优传输
机器学习
2019-08-06 v2 机器学习
摘要
生成对抗网络（GANs）是一类极具表达力的神经生成模型，在建模高维连续测度方面取得了巨大成功。本文中，我们提出一种基于生成-对抗框架的可扩展非平衡最优传输（OT）方法。我们将非平衡 OT 表述为同时学习一个传输映射与一个缩放因子、以成本最优方式将源测度推送到目标测度的问题。此外，我们提出一种基于随机交替梯度更新的求解该问题的算法，实践中类似于 GANs。我们还为该表述提供了理论依据，表明其与 Liero 等人（2018）已有的静态表述密切相关，并进行了数值实验以展示该方法如何应用于人口建模。
引用
@article{arxiv.1810.11447,
title = {Scalable Unbalanced Optimal Transport using Generative Adversarial Networks},
author = {Karren D. Yang and Caroline Uhler},
journal= {arXiv preprint arXiv:1810.11447},
year = {2019}
}