
-
生物通官微
陪你抓住生命科技
跳动的脉搏
综述:大规模最优运输问题的简化技术
《WIREs Computational Statistics》:Sparsification Techniques for Large-Scale Optimal Transport Problems
【字体: 大 中 小 】 时间:2026年01月13日 来源:WIREs Computational Statistics 5.4
编辑推荐:
最优传输(OT)方法因几何特性与计算能力受限于高成本,正则化OT及Sinkhorn算法虽提升效率但仍存在迭代成本高、收敛慢的问题。本文系统综述了基于核的稀疏化和Hessian的稀疏化两类方法,分析其动机、算法差异及理论保证。
由于最优传输(Optimal Transport, OT)方法及其变体具有吸引人的几何特性和强大的功能,它们在计算机科学和机器学习领域变得越来越重要。尽管应用广泛,但这些方法的计算成本却非常高,即使对于中等规模的数据集也限制了其可扩展性。为了解决这一挑战,正则化的OT公式及其对应的Sinkhorn算法作为提高效率的标准替代方案应运而生。然而,这些方法仍然面临每次迭代成本高和收敛速度慢的缺点。稀疏化技术作为一种有效且实用的方法,通过利用OT优化中涉及的矩阵的固有或诱导稀疏性来缓解这些计算瓶颈。大致上,稀疏化方法可以分为两大类:(1)基于核的稀疏化,它建立在原始正则化OT公式之上;(2)基于Hessian的稀疏化,它源自对偶公式。在这篇综述中,我们全面回顾了为OT问题开发的稀疏化技术,强调了它们的基本动机、算法差异和理论保证。
本文属于以下分类:
作者声明没有利益冲突。
支持本研究结果的数据可在https://people.csail.mit.edu/sumner/research/deftransfer/data.html#caveats以及https://doi.org/10.1145/1015706.1015736公开获取,参考文献编号为Sumner和Popovi?(2004)。