en
en
Источник
ICLR
Дата публикации
04.05.2023
Авторы
Александр Коротин Даниил Селиханович Евгений Бурнаев
Поделиться

NEURAL OPTIMAL TRANSPORT

Аннотация

We present a novel neural-networks-based algorithm to compute optimal transport maps and plans for strong and weak transport costs. To justify the usage of neural networks, we prove that they are universal approximators of transport plans between probability distributions. We evaluate the performance of our optimal transport algorithm on toy examples and on the unpaired image-to-image translation.

Читать в источнике

Похожие публикации

NeurIPS
Kantorovich Strikes Back! Wasserstein GANs are not Optimal Transport?
Евгений Бурнаев, Александр Коротин, Александр Колесов
Читать источник
NeurIPS
BABILong: Testing the Limits of LLMs with Long Context Reasoning-in-a-Haystack
Юрий Куратов, Айдар Булатов, Пётр Анохин, Иван Родькин, Дмитрий Сорокин, Артем Сорокин, Михаил Бурцев
Читать источник
ICSE
Code Summarization Beyond Function Level
Владимир Махарев, Владимир Иванов
Читать источник
ICLR
A3D: Does Diffusion Dream about 3D Alignment?
Савва Игнатьев, Нина Коновалова, Даниил Селиханович, Олег Войнов, Николай Патакин, Илья Ольков, Дмитрий Сенюшкин, Алексей Артемов, Антон Конушин, Александр Филиппов, Peter Wonka, Евгений Бурнаев
Читать источник
ICLR
Robust Barycenter Estimation using Semi-Unbalanced Neural Optimal Transport
Милена Газдиева , Jaemoo Choi, Александр Колесов, Jaewoong Choi, Петр Мокров, Александр Коротин
Читать источник
Doklady Mathematics
Rethinking graph classification problem in presence of isomorphism
Сергей Иванов, Сергей Свиридов, Евгений Бурнаев
Читать источник
Doklady Mathematics
Deforming implicit neural representation generative adversarial network for unsupervised appearence editing
Савва Игнатьев, Ваге Егиазарян, Руслан Рахимов, Евгений Бурнаев
Читать источник
Связаться
Присоединяйтесь к AIRI в соцсетях
Вы можете задать нам вопрос или предложить совместный проект в области ИИ

Сообщение отправлено.

Спасибо!

Что-то пошло не так. Попробуйте снова