BriefGPT - AI 论文速递 ·

SP$^2$OT：语义规范化的逐步偏差最优传输用于不平衡聚类

💡 原文中文，约1500字，阅读约需4分钟。

📝

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。

🎯

本文介绍了一种新的深度非平衡聚类问题，提出基于伪标签的学习框架，通过渐进式部分最优输运问题生成偏态感知的伪标签。
SPOT方法解决了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，转化为极小极大问题，实验结果表明其在领域适应等应用中表现优越。
提出的稀疏感知的最优传输(SOT)准则在无监督恢复学习中显著提高性能，特别是在超分辨率和去雾任务上，优于现有无监督方法。
基于Unbalanced Optimal Transport (UOT)的半对偶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，实验结果显示其在CIFAR-10和CelebA-HQ-256数据集上优于现有基于OT的生成模型。
OTMatch方法通过最优输运损失函数利用类别之间的语义关系，提高半监督学习性能，实验结果显示在多个数据集上实现了错误率降低。
提出双重边界最优传输(DB-OT)方法，解决未确定目标的问题，应用于聚类和长尾分类任务，实验证明其在测试阶段具有良好性能。

❓

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。

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。

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。

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。

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。

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。

🏷️