Recent Advances in Optimal Transport for Machine Learning

要約

最近、Optimal Transport は、確率分布を比較および操作するための機械学習における確率論的フレームワークとして提案されています。
これはその豊かな歴史と理論に根ざしており、生成モデリングや転移学習などの機械学習のさまざまな問題に対する新しい解決策を提供してきました。
この調査では、機械学習の 4 つのサブ分野 (教師あり学習、教師なし学習、転移学習、強化学習) に焦点を当て、2012 年から 2022 年の期間にわたる機械学習への最適なトランスポートの貢献を調査します。
さらに、計算最適化トランスポートの最近の発展と、機械学習の実践との相互作用に焦点を当てます。

要約(オリジナル)

Recently, Optimal Transport has been proposed as a probabilistic framework in Machine Learning for comparing and manipulating probability distributions. This is rooted in its rich history and theory, and has offered new solutions to different problems in machine learning, such as generative modeling and transfer learning. In this survey we explore contributions of Optimal Transport for Machine Learning over the period 2012 — 2022, focusing on four sub-fields of Machine Learning: supervised, unsupervised, transfer and reinforcement learning. We further highlight the recent development in computational Optimal Transport, and its interplay with Machine Learning practice.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google