초록
Self-Optimal-Transport (SOT) 특성 변환은 데이터 인스턴스의 특성 집합을 업그레이드하여 후속 매칭이나 그룹화 관련 작업을 용이하게 설계되었습니다. 변환된 집합은 인스턴스 특성 간의 고차 관계를 풍부하게 표현합니다. 변환된 특성 사이의 거리는 그들의 직접적인 원래 유사성을 뿐만 아니라 집합 내 다른 특성에 대한 유사성 합의를 포착합니다. 특히, 엔트로피 정규화 버전으로 근사할 수 있는 최적 운송(Optimal Transport, OT) 최적화 문제인 최소비용-최대유량 분수 매칭 문제는 우리의 전도적 변환을 생성하며, 이는 효율적이며 미분 가능하고 등변형이며 매개변수 없고 확률적으로 해석 가능합니다. 경험적으로, 이 변환은 매우 효과적이고 유연하며 다양한 작업과 학습 방식에서 삽입되는 네트워크를 일관되게 개선합니다. 우리는 비지도 클러스터링 문제를 통해 그 장점을 보여주며, 소수 샘플 분류(few-shot classification)와 대규모 개인 재식별(person re-identification)에서 최신 결과를 얻어내는 효율성과 광범위한 적용성을 입증하였습니다.