12:00arXiv cs.LG@Yeganeh Marghi, Kelly Jin, Uygar Sümbül最优传输(OT)在分布映射中提供了理论框架,但计算成本高且结果难以解释。新提出的最优混合传输(OMT)将传输对象从单个样本转向子总体混合,并将问题转化为严格双凸优化,保证唯一全局最小值。OMT 在理论上证明传输映射的稳定性,即底层分布的有限扰动导致传输计划的有限变化。通过将子总体建模为指数族分布,OMT 的计算复杂度仅与混合成分数量相关,而非样本量。在图像数据和单细胞 RNA 测序等大规模真实数据集上,OMT 展示了有效性和实用性。论文最优传输混合模型双凸优化稳定性单细胞RNA测序推荐理由:OMT 解决了大规模数据上最优传输计算昂贵且结果难解释的痛点,做分布对齐、数据融合或生物信息学的团队可以直接用这个框架来获得稳定且可解释的传输计划。原文
11:15arXiv cs.LG@Junhyoung Chung, Euijong Song, Won Hwa Kim, Gunwoong Park研究人员提出 Convex Distance Operator Transport (CDOT),这是首个凸最优传输框架,能在异构域之间对齐分布,同时保留特征对应和内在几何结构。CDOT 通过基于算子的正则化,引入距离和条件期望算子来对齐聚合距离结构,从而提升对局部几何变化的鲁棒性。理论证明 CDOT 差异是属性紧致度量-测度空间上的有效伪度量,并揭示了其与 Gromov-Wasserstein 的非凸性差异。实验在合成点云、脑连接组和图分类基准上表现优于现有方法,且行为稳定可靠。论文最优传输凸优化几何结构分布对齐CDOT推荐理由:做分布对齐或几何数据处理的团队,CDOT 解决了传统 GW 非凸优化不稳定的痛点,可以直接用这个凸框架提升效果,建议点开看理论证明和实验对比。原文
11:57arXiv cs.LG@Zhen-Hao Xie, Yu-Cheng Shi, Da-Wei Zhou本文提出AREA方法,针对CLIP模型在类增量学习(CIL)中的灾难性遗忘问题。传统CLIP通过模板提示(如“一张[类别]的照片”)进行视觉与文本嵌入的相似度匹配,但该过程可分解为属性提取与属性聚合两个阶段。由于增量学习仅能访问当前任务数据,模型容易偏向新类别。AREA通过主测地线分析在超球面嵌入空间锚定属性,并引入轻量级任务专家与变分信息瓶颈正则化来稳定聚合。推理时利用最优传输进行任务属性流路由,实现更精确预测。实验表明,AREA在多个基准上超越现有最先进方法。论文类增量学习CLIP属性提取灾难性遗忘最优传输推荐理由:做持续学习或CLIP微调的团队,AREA把增量遗忘的根因拆解为属性提取与聚合两个环节,并给出了可落地的解耦方案,值得看看代码和实验细节。原文
10:22arXiv cs.LG@Donggyu Lee, Taekyung Lee, Jaewoong Choi精选UOTIP 提出了一种基于非平衡最优传输(UOT)的新方法,用于解决无配对图像逆问题。该方法通过引入基于似然的代价函数,学习从噪声测量分布到干净信号分布的传输映射,无需配对训练数据。UOT 框架通过放松精确边际约束,使模型对多级观测噪声、类别不平衡和多种噪声类型具有鲁棒性。理论分析表明,加入二次代价项可确保传输映射的存在性和唯一性。实验结果显示,UOTIP 在线性和非线性逆问题基准上均达到最先进性能。论文图像逆问题最优传输无配对学习鲁棒性UOTIP推荐理由:无配对图像逆问题是实际应用中的常见难题,UOTIP 用非平衡最优传输优雅地解决了数据不配对和噪声鲁棒性问题,做医学成像或遥感图像恢复的团队值得关注。原文
19:11arXiv cs.LG@Usman A. Khan, Joseph W. Durham该研究将匿名多智能体路径规划(MAPF)问题建模为多边缘最优传输(MMOT)的一个特例,利用马尔可夫结构将指数级复杂度的MMOT简化为规模多项式的线性规划(LP)。在匿名设置下,证明了LP的可行性、全单模性以及解的空间-时间无重叠性质。为适应大规模问题,进一步引入薛定谔桥概率框架,通过熵正则化得到迭代Sinkhorn解,并基于其分数解构建简化LP,实现接近最优的整数解,显著降低计算复杂度。实验验证了该方法的最优性和可扩展性。论文多智能体路径规划最优传输薛定谔桥线性规划推荐理由:该工作从理论上建立了MAPF与最优传输之间的形式化联系,并提出了可扩展的求解框架,对机器人集群调度、仓储物流等实际应用具有重要参考价值。原文