論文位址：http://arxiv.org/pdf/2004.00663v1.pdf
代碼：https://github.com/synchinvision/probsync
來源：美國斯坦福大學
論文名稱：Synchronizing Probability Measures on Rotations via OptimalTransport
原文作者：Tolga Birdal
本文介紹了一個測量同步的新範式，用來同步圖與measure-valued邊緣。我們将此問題表示為在相對旋轉的機率測度空間中的cycleconsistency的最大化。本文的目标是通過同步定義在四元數的黎曼流形條件方向分布，來估計絕對方向的邊緣分布。在distributions-on-manifolds上的圖優化，可以處理計算機視覺應用(如SLAM、SfM和對象位姿估計)中産生的多模态假設、歧義和不确定性問題。首先将這個問題定義為經典旋轉圖同步的泛化，本文中上午頂點表示旋轉的機率度量。然後，我們使用Sinkhorn分歧來度量同步的品質，它将其他流行的度量方法如Wasserstein距離或最大平均差異作為極限情況。為了解決這個問題，我們提出一種非參數黎曼粒子優化方法。盡管該問題是非凸的，但通過與最近提出的稀疏優化方法的相聯系，我們證明了該算法在特定條件下的特殊情況下收斂于全局最優。我們的定性和定量實驗證明了本文方法的有效性，并為同步研究帶來了新的視角。
下面是論文具體架構結構以及實驗結果：
人工智能，每日面試題：
下列方法中，可以用于特征降維的方法包括（）
A.主成分分析PCA
B.線性判别分析LDA
C.深度學習SparseAutoEncoder
D.矩陣奇異值分解SVD
E.最小二乘法LeastSquares
每日面試題，答案：
号主答案：ABCD
解析：降維的3種常見方法ABD，都是線性的。深度學習是降維的方法這個就比較新鮮了，仔細想一下，也是降維的一種方法，因為如果隐藏層中的神經元數目要小于輸入層，那就達到了降維，但如果隐藏層中的神經元如果多餘輸入層，那就不是降維了。
最小二乘法是線性回歸的一種解決方法，其實也是投影，但是并沒有進行降維。
聲明：文章來自于網絡，僅用于學習分享，版權歸原作者所有，侵權請聯系删除。