Fugu-MT 論文翻訳(概要): Wasserstein Exponential Kernels

論文の概要: Wasserstein Exponential Kernels

arxiv url: http://arxiv.org/abs/2002.01878v1
Date: Wed, 5 Feb 2020 17:31:56 GMT
ステータス: 処理完了
システム内更新日: 2023-01-03 21:01:24.763896
Title: Wasserstein Exponential Kernels
Title（参考訳）: ワッサーシュタイン指数核
Authors: Henri De Plaen, Micha\"el Fanuel and Johan A. K. Suykens
Abstract要約: 正規化ワッサーシュタイン距離によって定義される指数核の利用について検討する。我々は、ワッサーシュタイン二乗指数核が、小さなトレーニングセットの形状に対してより小さな分類誤差をもたらすことを示す。
参考スコア（独自算出の注目度）: 13.136143245702915
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In the context of kernel methods, the similarity between data points is encoded by the kernel function which is often defined thanks to the Euclidean distance, a common example being the squared exponential kernel. Recently, other distances relying on optimal transport theory - such as the Wasserstein distance between probability distributions - have shown their practical relevance for different machine learning techniques. In this paper, we study the use of exponential kernels defined thanks to the regularized Wasserstein distance and discuss their positive definiteness. More specifically, we define Wasserstein feature maps and illustrate their interest for supervised learning problems involving shapes and images. Empirically, Wasserstein squared exponential kernels are shown to yield smaller classification errors on small training sets of shapes, compared to analogous classifiers using Euclidean distances.
Abstract（参考訳）: カーネルメソッドの文脈では、データポイント間の類似性は、ユークリッド距離によってしばしば定義されるカーネル関数によって符号化される。近年、確率分布間のワッサーシュタイン距離など、最適輸送理論に依存する他の距離は、異なる機械学習技術に対する実践的妥当性を示している。本稿では,正規化ワッサーシュタイン距離によって定義される指数核の利用について検討し,その正の定性について論じる。より具体的には、wasserstein機能マップを定義し、形状や画像を含む教師付き学習問題に対する関心を示す。経験的に、ワッサーシュタイン二乗指数核はユークリッド距離を用いた類似の分類器と比較して、小さな訓練された形状の集合に対してより小さな分類誤差をもたらす。

関連論文リスト

On the Approximation of Kernel functions [0.0]
論文はカーネル自体の近似に対処する。単位立方体上のヒルベルト・ガウス核に対して、この論文は関連する固有関数の上界を確立する。この改良により、Nystr"om法のような低階近似法が確かめられる。
論文参考訳（メタデータ） (2024-03-11T13:50:07Z)
Gaussian Process regression over discrete probability measures: on the non-stationarity relation between Euclidean and Wasserstein Squared Exponential Kernels [0.19116784879310028]
ワッサーシュタイン型2乗指数核とユークリッド型指数核の非定常性関係について検討した。入力空間をユークリッドとして非定常およびワッサーシュタインに基づくガウス過程モデルに変換するために変換が用いられる。
論文参考訳（メタデータ） (2022-12-02T17:09:52Z)
On the Benefits of Large Learning Rates for Kernel Methods [110.03020563291788]
本稿では,カーネル手法のコンテキストにおいて,現象を正確に特徴付けることができることを示す。分離可能なヒルベルト空間における2次対象の最小化を考慮し、早期停止の場合、学習速度の選択が得られた解のスペクトル分解に影響を及ぼすことを示す。
論文参考訳（メタデータ） (2022-02-28T13:01:04Z)
Kernel distance measures for time series, random fields and other structured data [71.61147615789537]
kdiffは、構造化データのインスタンス間の距離を推定するためのカーネルベースの新しい尺度である。これはインスタンス間の自己類似性と交差類似性の両方を考慮し、距離分布の低い定量値を用いて定義される。 kdiffをクラスタリングと分類問題のための距離尺度として用いた分離性条件について,いくつかの理論的結果が得られた。
論文参考訳（メタデータ） (2021-09-29T22:54:17Z)
Depth-based pseudo-metrics between probability distributions [1.1470070927586016]
本研究では,データ深度に基づく連続確率測度と関連する中央領域の2つの疑似測度を提案する。 Wasserstein距離とは対照的に、提案された疑似メトリックは次元の呪いに苦しむことはない。地域ベースの擬似メトリックは堅牢なw.r.tである。両端と尾が重い。
論文参考訳（メタデータ） (2021-03-23T17:33:18Z)
Learning High Dimensional Wasserstein Geodesics [55.086626708837635]
高次元の2つの確率分布の間のワッサーシュタイン測地線を計算するための新しい定式化と学習戦略を提案する。ラグランジュ乗算器の手法を最適輸送(OT)問題の動的定式化に適用することにより、サドル点がワッサーシュタイン測地線であるミニマックス問題を導出する。次に、深層ニューラルネットワークによる関数のパラメータ化を行い、トレーニングのためのサンプルベースの双方向学習アルゴリズムを設計する。
論文参考訳（メタデータ） (2021-02-05T04:25:28Z)
Learning interaction kernels in mean-field equations of 1st-order systems of interacting particles [1.776746672434207]
相互作用粒子の1次系に対する平均場方程式の相互作用核を学習するための非パラメトリックアルゴリズムを提案する。少なくとも正則化と二乗することにより、アルゴリズムはデータ適応仮説空間上でカーネルを効率的に学習する。
論文参考訳（メタデータ） (2020-10-29T15:37:17Z)
The role of feature space in atomistic learning [62.997667081978825]
物理的にインスパイアされた記述子は、原子論シミュレーションへの機械学習技術の応用において重要な役割を果たしている。異なる記述子のセットを比較するためのフレームワークを導入し、メトリクスとカーネルを使ってそれらを変換するさまざまな方法を紹介します。原子密度のn-体相関から構築した表現を比較し,低次特徴の利用に伴う情報損失を定量的に評価した。
論文参考訳（メタデータ） (2020-09-06T14:12:09Z)
Neural Operator: Graph Kernel Network for Partial Differential Equations [57.90284928158383]
この作業はニューラルネットワークを一般化し、無限次元空間(演算子)間の写像を学習できるようにすることである。非線形活性化関数と積分作用素のクラスを構成することにより、無限次元写像の近似を定式化する。実験により,提案したグラフカーネルネットワークには所望の特性があり,最先端技術と比較した場合の競合性能を示すことが確認された。
論文参考訳（メタデータ） (2020-03-07T01:56:20Z)
Improved guarantees and a multiple-descent curve for Column Subset Selection and the Nystr\"om method [76.73096213472897]
我々は,データ行列のスペクトル特性を利用して近似保証を改良する手法を開発した。我々のアプローチは、特異値減衰の既知の速度を持つデータセットのバウンダリが大幅に向上する。 RBFパラメータを変更すれば,改良された境界線と多重発振曲線の両方を実データセット上で観測できることが示される。
論文参考訳（メタデータ） (2020-02-21T00:43:06Z)
Schoenberg-Rao distances: Entropy-based and geometry-aware statistical Hilbert distances [12.729120803225065]
我々は、シェーンベルク-ラオ距離(Schoenberg-Rao distances)と呼ばれる統計ヒルベルト距離のクラスを研究する。ガウス分布の混合物間の新しい閉形式距離を導出する。提案手法はワッサーシュタイン距離の代替として実用的であり,その効率性は幅広い機械学習タスクで説明できる。
論文参考訳（メタデータ） (2020-02-19T18:48:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。