Learning with minibatch Wasserstein : asymptotic and gradient properties - Archive ouverte HAL
Communication Dans Un Congrès Année : 2020

Learning with minibatch Wasserstein : asymptotic and gradient properties

Domaines

Machine Learning [stat.ML] Probabilités [math.PR] Théorie [stat.TH]
Fichier principal
Vignette du fichier
mbot_arxiv.pdf (8.29 Mo) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)

Kilian Fatras  : Connectez-vous pour contacter le contributeur

https://hal.science/hal-02502329

Soumis le : lundi 9 mars 2020-11:23:46

Dernière modification le : lundi 9 décembre 2024-03:36:25

Archivage à long terme le : mercredi 10 juin 2020-13:43:39

Télécharger pour visualiser

Dates et versions

hal-02502329 , version 1 (09-03-2020)

Identifiants

Citer

Kilian Fatras, Younes Zine, Rémi Flamary, Rémi Gribonval, Nicolas Courty. Learning with minibatch Wasserstein : asymptotic and gradient properties. AISTATS 2020 - 23nd International Conference on Artificial Intelligence and Statistics, Jun 2020, Palermo, Italy. pp.1-20. ⟨hal-02502329⟩

Exporter

BibTeX XML-TEI Dublin Core DC Terms EndNote DataCite

Collections

ENS-LYON INSU UNIV-LYON3 UNIV-RENNES1 UGA CNRS INRIA UNIV-LYON1 UNIV-LYON2 INSA-LYON INSA-RENNES INSA-ROUEN IRISA OCA LITIS LAGRANGE UBS IRISA_UBS CENTRALESUPELEC COMUE-NORMANDIE INRIA2 UR1-MATH-STIC UR1-UFR-ISTIC UNIV-COTEDAZUR UNIV-RENNES UNIROUEN UNILEHAVRE INSA-GROUPE UDL IRISA_UBS_2 3IA-COTEDAZUR ANR UR1-MATH-NUM
404 Consultations
145 Téléchargements

Altmetric

Partager

More