Disentangled Representational Learning with the Gromov-Monge Gap
从未标记的数据中学习分离的表示形式是机器学习的基本挑战。解决它可能会解散其他问题，例如概括，可解释性或公平性。尽管理论上要解决的问题非常具有挑战性，但在实践中通常通过先前的匹配实现了分解。此外，最近的作品表明，可以通过学习保留数据的几何特征（例如距离或点之间的角度）来利用几何考虑来增强先前的匹配方法。但是，匹配先前…
ESET研究人员详细介绍了Fishmonger的全球间谍活动，该行为由I -Soon 运行 该集团的操作Akairyū首先是针对性的带矛盾的电子邮件，这些电子邮件使用即将举行的日本大阪世界博览会2025年作为诱饵 ESET研究人员发现了著名带APTART组使用的工具集，其中包括该组的签名后门的两个无证版本，Sparrowdoor 安全意识培训不一定是一个贪睡者 - 游戏和故事可以帮助灌输“粘性”习惯，而当危险接近
MirrorFace updates toolset, expands targeting to Europe
ESET研究人员详细介绍了Fishmonger的全球间谍活动，该行为由I -Soon
Learning Elastic Costs to Shape Monge Displacements
给定一个由 Rd\mathbb{R}^dRd 支持的源和目标概率测量，Monge 问题旨在以最有效的方式将一个分布映射到另一个分布。这种效率通过定义源数据和目标数据之间的成本函数来量化。在机器学习文献中，这种成本通常默认设置为平方欧几里得距离，ℓ22(x,y)=12∥x−y∥22\ell^2_2(x,y)=\tfrac12\|x-y\|_2^2ℓ22(x,y)=21∥x−y∥22。使用弹性成本的好处，通过正则化器 τ\tauτ 定义为 c(x,y)=ℓ22(x,y)+τ(x−y)c(x, y)=\ell^2_2(x,y)+\tau(x-y)c(x,y)=ℓ22(x,y)+τ(x−y)，
Progressive Entropic Optimal Transport Solvers
最优传输 (OT) 通过提供理论和计算工具来重新调整数据集，对机器学习产生了深远的影响。在这种情况下，给定 Rd\mathbb{R}^dRd 中大小为 nnn 和 mmm 的两个大点云，熵 OT (EOT) 求解器已成为解决 Kantorovich 问题并输出 n×mn\times mn×m 耦合矩阵或解决 Monge 问题并学习矢量值前推图的最可靠工具。尽管 EOT 耦合/映射的稳健性使其成为实际应用中的首选，但由于小问题，EOT 求解器仍然难以调整……
COVID-Economics Links (April 27)
博客、观点和学术论文前路漫漫——Tim Duy疫情封锁：政府承诺的作用——Christian Moser 和 Pierre Yared扩大失业保障的时候到了——Simeon Djankov 和 Dorina Georgieva（世界银行）COVID-19 疫情：意大利工人面临风险和封锁——Teresa Barbieri、Gaetano Basso、Sergio Scicchitano（VoxEU）通过 14 亿笔交易的视角追踪 COVID-19 危机——Vasco Carvalho 等人（VoxEU）Covid-19 与老龄化社会的相互作用——Andrew Scott、Jonathan Dav
