用于域翻译与适应的推前映射半监督学习

给定相关数据集上的两个概率密度，我们寻求一个将一密度推至另一密度且满足依赖于应用之约束的映射。为使映射在广阔应用空间（包括域翻译、域适应与生成建模）中具有效用，该映射须能对样本外数据点施加应用，并应对应于两空间上的概率模型。遗憾的是，现有主要基于最优传输的方法未满足这些需求。本文中，我们引入一种利用归一化流参数化映射的新型推前映射学习算法。我们首先将经典最优传输问题重构为以映射为中心，并提出一种学习算法，在所有可能映射中依据映射最小化概率距离与应用特定正则项的约束进行选取；因此，我们的方法可视为求解一修正的最优传输问题。一旦映射学得，便可用于将源域样本映射至目标域。此外，由于映射被参数化为归一化流的复合，其建模了两数据空间上的经验分布，并允许对两数据集进行采样与似然评估。我们在基准数据集上就域适应与域翻译将本法（parOT）与相关最优传输方法比较。最后，为阐明工作对应用问题的影响，我们将 parOT 应用于一真实科学问题：来自两种迥异环境的高维测量的光谱校准。