小红花·文摘
  • 首页
  • 广场
  • 排行榜🏆
  • 直播
  • FAQ
Dify.AI

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。

ENOT: 快速准确的神经最优输运训练的 Expectile 正则化

BriefGPT - AI 论文速递
BriefGPT - AI 论文速递 · 2024-03-06T00:00:00Z

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-方差分解和T1-传输不等式。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。

非紧支持测度之间的熵正则最优输运映射估计

BriefGPT - AI 论文速递
BriefGPT - AI 论文速递 · 2023-11-20T00:00:00Z
  • <<
  • <
  • 1 (current)
  • >
  • >>
👤 个人中心
在公众号发送验证码完成验证
登录验证
在本设备完成一次验证即可继续使用

完成下面两步后,将自动完成登录并继续当前操作。

1 关注公众号
小红花技术领袖公众号二维码
小红花技术领袖
如果当前 App 无法识别二维码,请在微信搜索并关注该公众号
2 发送验证码
在公众号对话中发送下面 4 位验证码
小红花技术领袖俱乐部
小红花·文摘:汇聚分发优质内容
小红花技术领袖俱乐部
Copyright © 2021-
粤ICP备2022094092号-1
公众号 小红花技术领袖俱乐部公众号二维码
视频号 小红花技术领袖俱乐部视频号二维码