Meta Optimal Transport

Brandon Amos*, Giulia Luise, Samuel Cohen, Ievgen Redko

*Tämän työn vastaava kirjoittaja

Tutkimustuotos: LehtiartikkeliConference articleScientificvertaisarvioitu

20 Lataukset (Pure)

Abstrakti

We study the use of amortized optimization to predict optimal transport (OT) maps from the input measures, which we call Meta OT. This helps repeatedly solve similar OT problems between different measures by leveraging the knowledge and information present from past problems to rapidly predict and solve new problems. Otherwise, standard methods ignore the knowledge of the past solutions and sub-optimally re-solve each problem from scratch. We instantiate Meta OT models in discrete and continuous settings between grayscale images, spherical data, classification labels, and color palettes and use them to improve the computational time of standard OT solvers. Our source code is available at http://github.com/facebookresearch/meta-ot.

AlkuperäiskieliEnglanti
Sivut791-813
Sivumäärä23
JulkaisuProceedings of Machine Learning Research
Vuosikerta202
TilaJulkaistu - 2023
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisussa
TapahtumaInternational Conference on Machine Learning - Honolulu, Yhdysvallat
Kesto: 23 heinäk. 202329 heinäk. 2023
Konferenssinumero: 40

Sormenjälki

Sukella tutkimusaiheisiin 'Meta Optimal Transport'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä