新研究提出测度值数据稀疏字典学习框架

Brendan Mallery、Shuchin Aeron 和 James Murphy 发表论文，提出一种面向概率测度值数据的稀疏字典学习框架：将概率测度嵌入 Hilbert 空间，用稀疏自编码器学习字典，把测度表示为稀疏有限维编码，以兼顾最优传输的几何结构与稀疏表示的可解释性和效率。 该方法在高光谱图像、几何点云和大语言模型潜在空间的文档嵌入上得到验证。作者还为 L² 值测度嵌入的稀疏字典学习目标证明了泛化界，并针对最优传输与熵传输映射字典给出新的覆盖数界和显式收敛速率。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。