SyMOT-Flow：使用最大均值差异学习两个任意分布的最优运输流
摘要：通过样本找到两个未知概率分布之间的转换对于建模复杂数据分布和执行密度估计、样本生成以及统计推断等任务至关重要。一种强大的转换框架是归一化流，它使用可逆网络将未知分布转换为标准正态分布。在本文中，我们介绍了一种名为SyMOT-Flow的新模型，通过最小化来自两个未知分布样本之间的对称最大均值差异训练可逆转换，并结合最优传输成本作为正则化以获得短距离和可解释的转换。所得转换导致更稳定和准确的样本生成。我们为所提出的模型建立了几个理论结果，并通过低维实例和通过前向和反向流得到的高维生成样本来证明其有效性。
作者：Zhe Xiong, Qiaoqiao Ding, Xiaoqun Zhang
论文ID：2308.13815
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-29