Riduzione Distribuzionale Supervisionata tramite Trasporto Ottimo e Massimizzazione della Dipendenza
L'introduzione di un nuovo algoritmo, la Riduzione Distribuzionale Supervisionata (SDR), mira a creare rappresentazioni consapevoli del target integrando il trasporto ottimo con la massimizzazione esplicita della dipendenza. SDR migliora l'obiettivo Fused Gromov-Wasserstein (FGW), allineando la struttura relazionale della distribuzione di input con un insieme di punti rappresentativi. Inoltre, incorpora un termine di dipendenza diretta che promuove gli embedding appresi a catturare efficacemente i segnali rilevanti per il compito. Questo approccio affronta il problema di mantenere un equilibrio tra compressione e accuratezza predittiva nei contesti di riduzione dei dati supervisionata. La ricerca è disponibile su arXiv, identificata dal numero 2605.27619.
Fatti principali
- SDR sta per Riduzione Distribuzionale Supervisionata
- L'algoritmo combina trasporto ottimo con massimizzazione della dipendenza
- Si basa sull'obiettivo Fused Gromov-Wasserstein (FGW)
- Il metodo allinea la struttura relazionale della distribuzione di input con punti rappresentativi
- Include un termine di dipendenza diretta per segnali rilevanti per il compito
- L'articolo è su arXiv con ID 2605.27619
- L'approccio affronta il bilanciamento tra compressione e fedeltà predittiva
- Le varianti supervisionate della riduzione distribuzionale sono poco esplorate
Entità
Istituzioni
- arXiv