摘要
平衡对偶亲和力（Balanced-Pairwise-Affinities, BPA）特征变换旨在提升输入项集的特征，以促进下游匹配或分组相关任务。变换后的集合编码了输入特征之间高阶关系的丰富表示。一个特定的最小成本最大流分数匹配问题，其熵正则化版本可以通过最优传输（Optimal Transport, OT）优化进行近似，从而导致一种高效、可微、等变、无参数且概率上可解释的变换方法。尽管Sinkhorn OT求解器在许多场景中得到了广泛应用，但我们以不同的方式使用它，通过最小化一组特征与其自身的成本，并利用传输计划的行作为新的表示。实验证明，该变换方法具有高度的有效性和灵活性，在多种任务和训练方案中插入时能持续改进网络性能。我们在少样本分类、无监督图像聚类和行人重识别任务中展示了最先进的结果。代码可在\url{github.com/DanielShalam/BPA}获取。