ENOT: 快速准确的神经最优输运训练的 Expectile 正则化
原文中文,约500字,阅读约需2分钟。发表于: 。通过对共轭势进行特定正则化,我们提出了一种用于神经最优输运(NOT)训练过程的新扩展,能够准确高效地估计最优传输方案。我们通过引入期望损失函数的正则化来解决现有 NOT 求解器的主要瓶颈问题,从而实现对学习双重潜力的限制条件,提供共轭势可能分布的上界估计,使学习过程稳定,消除了额外的广泛微调的需求。我们称之为期望损失正则化神经最优输运(ENOT)的方法在 Wasserstein-2...
本文研究了次高斯测度下熵正则化最优传输映射的问题。结果表明,当目标测度具有紧支集或强对数凹性时,期望均方误差以至少O(n^(-1/3))的速率衰减。对于一般次高斯情况,期望L1误差以至少O(n^(-1/6))的速率衰减。这些结果对正则化参数具有多项式依赖性。证明技巧利用了偏差-方差分解。实验结果显示了对方差项控制的松弛性,并提出了几个开放性问题。