PythonOT/POT

POT : Python Optimal Transport

它解决了什么问题

该库提供了一套用于最优传输 (OT) 问题的综合求解器。OT 是一种用于衡量概率分布之间距离的数学框架，在机器学习中对于域适应、数据集比较和训练生成模型等任务非常有用。

它是如何工作的

它实现了广泛的算法——从精确的线性规划求解器（如 Earth Mover's Distance）到更快的正则化近似算法（如 Sinkhorn 算法）。该库设计为硬件无关，提供与 NumPy、PyTorch、JAX、TensorFlow 和 CuPy 无缝集成的后端，允许这些计算在 CPU 和 GPU 上运行。

适用人群

它旨在为从事信号处理、计算机视觉或深度学习的研究人员和机器学习工程师提供服务，他们需要将 Wasserstein 距离或基于 OT 的损失函数整合到模型中。

亮点

  • 丰富的 OT 求解器集合：包括 Gromov-Wasserstein、Fused Gromov-Wasserstein、非平衡 OT 和部分 OT。
  • 多后端支持：原生支持 PyTorch、JAX、TensorFlow 和 NumPy 数组。
  • 机器学习就绪：提供用于域适应、Wasserstein 重心和图神经网络 (GNN) 层的预构建模块。
  • 性能优化：包含用于大规模数据集的稳定 Sinkhorn 实现和随机求解器。

相关

  • 项目
    ott-jax/ott

    一个基于 JAX 的库，用于大规模求解最优传输问题，提供工具以使用离散求解器和神经网络方法高效匹配点云。

  • 项目
    hyperopt/hyperopt

    一个用于在复杂搜索空间（包括实数值、离散值和条件维度）上进行串行和并行超参数优化的 Python 库。

  • 项目
    lotus-data/lotus

    LOTUS 是一个用于大规模、LLM 驱动的数据处理 Python 库。它引入了“语义算子”（基于 LLM 的 map、filter、reduce、join 等）以及一个优化器，通过批处理和级联模型调用来提高准确性并降低 API 成本。该库支持纯 LLM 算子以及在每个数据分片上运行工具使用代理（例如沙盒 Python REPL）的“代理算子”，从而实现代码库分析、研究综合、故障模式挖掘、文档提取、LLM 作为评委的评估以及 RAG 等复杂任务。可通过 `pip install lotus-ai` 安装；使用方式围绕着创建 `Corpus`、指定任务并调用 `agent` 或语义算子。该项目由斯坦福大学/加州大学伯克利分校的研究人员支持，并在 ReadTheDocs 上提供文档，同时设有社区 Discord 和示例笔记本。

  • 项目
    sktime/skpro

    一个提供表格回归、生存分析和不确定性量化工具的 Python 库，具有与 scikit-learn 兼容的接口。

  • 项目
    WenjieDu/PyPOTS

    PyPOTS 是一个 Python 机器学习工具箱，旨在处理部分观测的多元时间序列数据，为填补、预测、分类、聚类和异常检测提供统一的 API。