分配学习的几何损失
Arthur Mensch、Mathieu Blondel、Gabriel Peyré
第36届机器学习国际会议论文集,PMLR 97:4516-45252019年。
摘要
基于熵正则化最优运输的最新进展,基于测度和连续函数之间的芬切尔对偶性,我们提出了一个包含类间度量或成本的逻辑损失的泛化。与以前尝试使用最佳传输距离进行学习不同,我们的损失导致了无约束凸目标函数,支持无限(或非常大)类空间,并且自然定义了softmax算子的几何推广。这种损失的几何特性使其适用于预测稀疏和奇异分布,例如在曲线或超曲面上支持的分布。我们研究了损失的理论性质,并展示了其在两个应用中的有效性:顺序回归和绘图生成。
引用本文
相关材料