SP$^2$OT：语义规范化的逐步偏差最优传输用于不平衡聚类
内容提要
本文介绍了一种新的深度非平衡聚类问题及其基于伪标签的学习框架，提出了SPOT方法以解决最优传输的可扩展性问题。实验结果表明，该方法在领域适应等应用中表现优越。此外，探讨了稀疏感知最优传输和半对偶生成模型在无监督学习中的应用，验证了其在超分辨率和去雾任务中的有效性。
延伸解读
非平衡聚类与伪标签学习
文章提出深度非平衡聚类问题，并设计基于伪标签的学习框架。该框架通过渐进式部分最优传输生成偏态感知的伪标签，并从高置信度样本中学习。这种方法能适应类别分布不平衡的场景，为聚类任务提供了新思路。
SPOT方法：可扩展的最优传输
SPOT通过引入参考分布近似最优传输计划，将其转化为极小极大问题，从而解决最优传输的可扩展性。实验表明SPOT具有可靠性和良好收敛性，允许高效采样，有利于领域适应等下游应用。
稀疏感知最优传输在无监督恢复中的应用
文章提出稀疏感知的最优传输准则，利用OT框架中的降级疏松性，在超分辨率和去雾等无监督恢复任务中显著提升性能。实验结果显示，SOT优于现有无监督方法，接近最优监督方法的表现。
半对偶生成模型与OTMatch
基于Unbalanced Optimal Transport的半对偶生成模型在处理噪点、稳定性和训练收敛速度上优于基于OT的方法，在CIFAR-10和CelebA-HQ-256上FID分别为2.97和5.80。OTMatch则通过最优传输损失利用类别语义关系，在CIFAR-10、STL-10和ImageNet上比FreeMatch分别降低错误率3.18%、3.46%和1.28%。
Q&A
SPOT方法的主要功能是什么？
SPOT方法主要用于解决最优传输中的可扩展性问题，通过引入参考分布近似最优传输计划。
稀疏感知的最优传输(SOT)在无监督学习中有什么优势？
SOT在无监督恢复学习中显著提高性能，尤其在超分辨率和去雾任务上优于现有无监督方法。
如何提高半监督学习的性能？
可以通过OTMatch方法，利用最优输运损失函数和类别之间的语义关系来提高半监督学习的性能。
双重边界最优传输(DB-OT)方法的应用是什么？
DB-OT方法用于解决未确定目标的问题，应用于聚类和长尾分类任务。
基于Unbalanced Optimal Transport的生成模型有什么优势？
该生成模型在处理噪点、稳定性和训练收敛速度等方面表现更优，尤其在CIFAR-10和CelebA-HQ-256数据集上优于现有模型。
SPOT方法在实验中表现如何？
实验结果表明SPOT方法具有可靠性和较好的收敛性，并在领域适应等应用中表现优越。
