No-regret generative modeling via parabolic Monge–Ampère PDE
基于抛物型Monge–Ampère偏微分方程的无遗憾生成建模AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要涉及生成建模、最优运输与变分推断，没有所列经济或金融领域细分的直接证据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
基于抛物型Monge–Ampère偏微分方程的无遗憾生成建模
- 研究问题
- 能否借助最优运输中的抛物型Monge–Ampère方程，构造生成模型，并用无遗憾分析保证迭代趋向最优Brenier映射？
- 方法与思路
- 作者离散化作为Sinkhorn算法连续极限出现的偏微分方程，在Brenier映射空间进行镜像梯度下降式迭代改进。
- 材料陈述的贡献
- 摘要称在多种步长安排下建立收敛保证，推导连接几何、运输成本与遗憾的演化变分不等式，并容纳非对数凹目标分布。
- 阅读关注点
- 应核对连续极限与离散算法的关系、映射和目标分布的正则条件、步长限制，以及无遗憾界如何导出收敛与采样结论。
- 阅读边界
- 仅据Crossref摘要，不能判断非对数凹分布的完整覆盖范围、计算成本或实际生成质量；具体条件、收敛速率与数值比较未说明。
原文摘要
We introduce a novel generative modeling framework based on a discretized parabolic Monge–Ampère PDE, which emerges as a continuous limit of the Sinkhorn algorithm commonly used in optimal transport. Our method performs iterative refinement in the space of Brenier maps using a mirror gradient descent step. We establish theoretical guarantees for generative modeling through the lens of no-regret analysis, demonstrating that the iterates converge to the optimal Brenier map under a variety of step-size schedules. As a technical contribution, we derive a new Evolution Variational Inequality tailored to the parabolic Monge–Ampère PDE, connecting geometry, transportation cost and regret. Our framework accommodates nonlog-concave target distributions, constructs an optimal sampling process via the Brenier map, and integrates favorable learning techniques from generative adversarial networks and score-based diffusion models. As direct applications, we illustrate how our theory paves new pathways for generative modeling and variational inference.