Skip to content
Hot eventLive

基于线性化最优传输的测度值数据稀疏字典学习

1 reports1 sources3 hr ago updated

Get the story

AI overview

该研究提出一种面向测度值数据的稀疏字典学习方法，把概率测度嵌入 Hilbert 空间，利用最优传输几何特征与稀疏自编码器参数化，学习数据自适应字典，并将概率测度表示为快速、可扩展的稀疏有限维代码。方法在超光谱图像、几何点云和大语言模型潜在空间文档嵌入等模态上验证，并给出基于原子类度量复杂度的泛化界。论文还为最优传输与熵传输映射字典导出新的覆盖数界，得到显式收敛率。

Generated from reports · updated 3 hr ago

LatestOct 12
论文在多种模态验证方法，并给出泛化界、覆盖数界与显式收敛率。

Timeline

Follow the coverage from different angles.

Oct 12, 2026
  1. arXiv · Statistics Machine Learning
    基于线性化最优传输的测度值数据稀疏字典学习：高效算法与样本复杂度

    该研究把概率测度嵌入 Hilbert 空间，用最优传输几何特征与稀疏自编码器参数化学习数据自适应字典，将概率测度表示为快速、可扩展的稀疏有限维代码。方法在超光谱图像、几何点云和大语言模型潜在空间文档嵌入等模态上验证，并给出基于原子类度量复杂度的泛化界。论文还为最优传输与熵传输映射字典导出新的覆盖数界，得到显式收敛率。

Heat trend

There is not enough continuous observation data to draw a trend yet.