Новый взгляд на обучение с парными и непарными данными через призму оптимального транспорта

Представьте себе ситуацию: вам нужны качественные прогнозы, скажем, перевода изображений из одной модальности в другую (например, МРТ снимков мозга из одного формата в другой), но полноценных парных примеров катастрофически мало. Зато простых данных по каждому типу объектов полно. Задача звучит знакомо? Мы назовём её задачей переноса доменов при наличии парных и непарных данных, и именно она станет главным героем нашего семинара!

Но главная интрига вечера — новый способ построения лосса, который объединяет преимущества обоих типов данных: редких парных и массовых непарных. Такой подход позволит нам точнее оценивать условные вероятности перевода одного объекта в другой, минимизируя зависимость от дефицитных аннотированных данных. А главное — этот метод даёт чёткую гарантию восстановления исходного закона условного распределения!

1. Как устроена задача переноса доменов и какие виды подходов существуют в зависимости от наличия данных?

2. Как грамотная параметризация помогает получить из задачи максимизации правдоподобия принципиально новый лосс, имеющий теоретические гарантии?

3. Зачем нужен обратный энтропийный оптимальный транспорт и как он помогает при выборе параметризации?

— Параметризацию на основе смесей гауссиан - её теоретических гарантиях и практических ограничениях;

— Экспериментальные сравнения нового подхода с классическими методами и их слабостями;

— Пути развития метода;