AITOPAI热报

最优传输

共 16 条相关 AI 资讯
9月1日
09:26
8月31日
09:04
09:04官方账号arXiv cs.LG@Ian Hsieh, Soumya Snigdha Kundu, Tom Vercauteren, Reuben Dorent
73°
SinkSLOT解决了Sinkhorn-Knopp算法在大规模数据集上的计算瓶颈问题。该算法通过引入期望切片提升传输计划，将每次迭代复杂度从O(N²)降至O(LN)。实验表明，SinkSLOT在合成基准测试中显著优于现有密集和稀疏EOT方法。代码已在GitHub开源。
论文SinkSLOT最优传输Sinkhorn
推荐理由：研究人员提出SinkSLOT算法，大幅提升最优传输计算效率，适用于大规模数据集。
原文
8月20日
10:13
10:13官方账号arXiv cs.LG@Deep Kumar Ganguly, Jan Křetínský
该研究提出Wasserstein entropic value - at - risk新风险度量方法，用于处理环境不确定性下的决策问题；该方法以最优传输球为基础，替代传统的相对熵球，能覆盖传统方法忽略的可达灾难场景；它具备变分对偶结构，与经典公式在形式上相互呼应，确保计算计算的严谨性；通过信念熵调节传输半径后，可得到闭合形式的动态规划算子，实现安全边界的收缩与切换。
论文Wasserstein CounterpartValue-at-Risk学术研究
推荐理由：这学术研究提出新风险度量法，用最优传输球替代旧模式，应对环境变化更高效，和传统方法比能覆盖更多风险点。
原文
8月11日
11:08
8月7日
10:07
8月4日
11:50
11:50官方账号arXiv cs.LG@Leda Wang, Zhehao Xu, Qiang Liu, Harrison H. Zhou
该论文研究c-Rectified flow，这是对纠正流引入成本项的一类变体，FLUX.1和Stable Diffusion 3背后的生成框架正是纠正流。高斯案例显示，普通纠正流只有在源和目标协方差矩阵可交换时才收敛到最优传输耦合；而迭代c-Rectified flow在紧性和一致可积条件下总能收敛到最优传输耦合。作者还针对二次和强凸位移成本建立了投影稳定假设下的单步收缩与指数收敛保证。在Hölder球假设下，他们得到极小极大最优的分数估计速率，用于迭代c-Rectified flow后可在d≥3获得速率最优的最优传输估计，d=1,2时接近参数速率。
论文Rectified flowc-Rectified flow最优传输
推荐理由：普通Rectified flow可能不收敛到最优传输，c-Rectified flow能保证收敛，d=1,2还有近参数速率。做生成模型可以读。
原文
7月30日
09:34
09:34官方账号arXiv cs.LG@Hung Mai, Hai Nguyen, Luong Doan, Ngoc Vu, Khanh Nguyen, Nhung Duong, Tuan Do
精选
本文提出了经验最优传输的三种通信任务：分布式耦合采样、成本可评估耦合输出和标量值认证采样。主要结果是场编码编译器：任何逼近最优经验Monge映射至误差η的通信传输场，可通过稀疏目标单元残差补全为精确边际的值认证采样器，其标量证书满足W₁(μ,ν)≤U≤W₁(μ,ν)+2Δ，其中Δ是公开目标划分直径。证书精度仅由Δ控制。实例化编译器采用自适应局部仿射和张量积样条编码，样条情况需d(m+1)^db场比特，残差列表另计。下界方面，精确Gap-Hamming嵌入证明认证输出是困难的，包括一个平滑单元填充微分同胚族，要求任何成本可评估、成本认证或值认证协议至少Ω(ε^{-2d/(d+4)})通信。
论文Field codes分布式耦合采样最优传输
推荐理由：这篇论文从通信复杂度角度重新审视最优传输，提出了场编码编译器，把误差η的传输场变成带证书的采样器，下界还很紧。做分布式最优传输或通信复杂度的人可以看看。
原文
7月21日
09:37
09:37官方账号arXiv cs.LG@Babak Barazandeh, Subhabrata Majumdar, George Michailidis
当前Agent轨迹评估依赖二进制成功标志或精确匹配，无法区分侥幸成功或分析失败原因。Otap将轨迹评估转化为执行图与有效解图之间的最优传输距离，基于不平衡融合Gromov-Wasserstein问题。该伪度量对保持依赖的重新排序具有不变性，对冗余步骤敏感度有限，并能处理缺失或幻觉步骤。在受控扰动和三个公开基准上，Otap在语义指标低于随机水平的场景中仍能有效区分有效与无效轨迹。其准确性在依赖图精确恢复时最高，在从自由文本推断时下降。
论文OtapAgent轨迹规划评估
推荐理由：这篇论文提出了Otap，一个用最优传输来评估Agent轨迹的新方法。它不再只看任务成功与否，而是分析执行结构，还能容忍不同的规划顺序和冗余步骤。
原文
7月20日
10:45
10:45官方账号arXiv cs.LG@Gabriel Samberg, YoonHaeng Hur, Yuehaw Khoo, Nir Sharon
该论文提出了一种名为拉普拉斯最优传输（LapOT）的聚类感知匹配方法，核心是对最优传输问题添加基于相似图的二次拉普拉斯正则项，促使耦合矩阵尊重两个点集的聚类结构。作者还提出精细化同步聚类（RSC）方法，利用LapOT得到的聚类感知耦合生成跨点集的一致分区。实验证明，LapOT能产生比独立聚类更稳定、可解释的对齐结果。
论文LapOTRSC点云匹配
推荐理由：这篇论文用拉普拉斯最优传输让点云匹配自动感知聚类结构，还附带一个同步聚类方法RSC，适合做形状匹配或聚类对齐的同行参考。
原文
6月30日
15:16
15:05
15:05官方账号arXiv cs.LG@Woojoo Na, Jennifer Dy
ITSPACE（Iterative Transport for Stable Proximal Alignment of Covariance Embeddings）是一种直接优化Bures-Wasserstein目标函数的近端主要化-最小化方法，通过平方根分解中的闭式更新实现。每次迭代在精确算术下满足目标函数的充分下降不等式，在非精确极分解下提供显式认证间隙边界。该方法保持PSD结构且支持秩限制因子，适用于无标注目标批次下的严格步数和计算预算场景。在多个真实协方差对齐基准测试中，ITSPACE达到低BW间隙解的速度显著快于BW梯度下降、其他协方差几何方法以及熵正则化样本OT基线。
AI模型ITSPACE最优传输Bures-Wasserstein
推荐理由：ITSPACE用闭式更新直接优化Bures-Wasserstein距离，在协方差对齐任务上比梯度下降快得多，适合资源受限的域适应场景。
原文
6月2日
12:00
12:00官方账号arXiv cs.LG@Yeganeh Marghi, Kelly Jin, Uygar Sümbül
最优传输（OT）在分布映射中提供了理论框架，但计算成本高且结果难以解释。新提出的最优混合传输（OMT）将传输对象从单个样本转向子总体混合，并将问题转化为严格双凸优化，保证唯一全局最小值。OMT 在理论上证明传输映射的稳定性，即底层分布的有限扰动导致传输计划的有限变化。通过将子总体建模为指数族分布，OMT 的计算复杂度仅与混合成分数量相关，而非样本量。在图像数据和单细胞 RNA 测序等大规模真实数据集上，OMT 展示了有效性和实用性。
论文最优传输混合模型双凸优化
推荐理由：OMT 解决了大规模数据上最优传输计算昂贵且结果难解释的痛点，做分布对齐、数据融合或生物信息学的团队可以直接用这个框架来获得稳定且可解释的传输计划。
原文
11:15
11:15官方账号arXiv cs.LG@Junhyoung Chung, Euijong Song, Won Hwa Kim, Gunwoong Park
研究人员提出 Convex Distance Operator Transport (CDOT)，这是首个凸最优传输框架，能在异构域之间对齐分布，同时保留特征对应和内在几何结构。CDOT 通过基于算子的正则化，引入距离和条件期望算子来对齐聚合距离结构，从而提升对局部几何变化的鲁棒性。理论证明 CDOT 差异是属性紧致度量-测度空间上的有效伪度量，并揭示了其与 Gromov-Wasserstein 的非凸性差异。实验在合成点云、脑连接组和图分类基准上表现优于现有方法，且行为稳定可靠。
论文最优传输凸优化几何结构
推荐理由：做分布对齐或几何数据处理的团队，CDOT 解决了传统 GW 非凸优化不稳定的痛点，可以直接用这个凸框架提升效果，建议点开看理论证明和实验对比。
原文
5月28日
11:57
11:57官方账号arXiv cs.LG@Zhen-Hao Xie, Yu-Cheng Shi, Da-Wei Zhou
本文提出AREA方法，针对CLIP模型在类增量学习（CIL）中的灾难性遗忘问题。传统CLIP通过模板提示（如“一张[类别]的照片”）进行视觉与文本嵌入的相似度匹配，但该过程可分解为属性提取与属性聚合两个阶段。由于增量学习仅能访问当前任务数据，模型容易偏向新类别。AREA通过主测地线分析在超球面嵌入空间锚定属性，并引入轻量级任务专家与变分信息瓶颈正则化来稳定聚合。推理时利用最优传输进行任务属性流路由，实现更精确预测。实验表明，AREA在多个基准上超越现有最先进方法。
论文类增量学习CLIP属性提取
推荐理由：做持续学习或CLIP微调的团队，AREA把增量遗忘的根因拆解为属性提取与聚合两个环节，并给出了可落地的解耦方案，值得看看代码和实验细节。
原文
5月21日
10:22
10:22官方账号arXiv cs.LG@Donggyu Lee, Taekyung Lee, Jaewoong Choi
精选
UOTIP 提出了一种基于非平衡最优传输（UOT）的新方法，用于解决无配对图像逆问题。该方法通过引入基于似然的代价函数，学习从噪声测量分布到干净信号分布的传输映射，无需配对训练数据。UOT 框架通过放松精确边际约束，使模型对多级观测噪声、类别不平衡和多种噪声类型具有鲁棒性。理论分析表明，加入二次代价项可确保传输映射的存在性和唯一性。实验结果显示，UOTIP 在线性和非线性逆问题基准上均达到最先进性能。
论文图像逆问题最优传输无配对学习
推荐理由：无配对图像逆问题是实际应用中的常见难题，UOTIP 用非平衡最优传输优雅地解决了数据不配对和噪声鲁棒性问题，做医学成像或遥感图像恢复的团队值得关注。
原文
5月12日
19:11
19:11官方账号arXiv cs.LG@Usman A. Khan, Joseph W. Durham
该研究将匿名多智能体路径规划（MAPF）问题建模为多边缘最优传输（MMOT）的一个特例，利用马尔可夫结构将指数级复杂度的MMOT简化为规模多项式的线性规划（LP）。在匿名设置下，证明了LP的可行性、全单模性以及解的空间-时间无重叠性质。为适应大规模问题，进一步引入薛定谔桥概率框架，通过熵正则化得到迭代Sinkhorn解，并基于其分数解构建简化LP，实现接近最优的整数解，显著降低计算复杂度。实验验证了该方法的最优性和可扩展性。
论文多智能体路径规划最优传输薛定谔桥
推荐理由：该工作从理论上建立了MAPF与最优传输之间的形式化联系，并提出了可扩展的求解框架，对机器人集群调度、仓储物流等实际应用具有重要参考价值。
原文