用于正则化最优传输的筛选Sinkhorn算法
机器学习
2020-01-22 v3 机器学习
摘要
本文引入一种高效近似两个离散测度间Sinkhorn距离的新策略。在识别出正则化Sinkhorn问题对偶解中可忽略的分量后，我们提出在进入Sinkhorn问题之前直接将这些分量筛选置为该值。这使我们能够求解一个更小的Sinkhorn问题，同时保证具有可证明保证的近似。更形式化地，该方法基于Sinkhorn散度问题对偶的一个新表述以及该问题的KKT最优性条件，从而能够识别待筛选的对偶分量。这一新分析导出了Screenkhorn算法。我们在涉及正则化最优传输的降维与域适应等复杂任务上展示了Screenkhorn的效率。
引用
@article{arxiv.1906.08540,
title = {Screening Sinkhorn Algorithm for Regularized Optimal Transport},
author = {Mokhtar Z. Alaya and Maxime Bérar and Gilles Gasso and Alain Rakotomamonjy},
journal= {arXiv preprint arXiv:1906.08540},
year = {2020}
}