論文の概要: Distributional Sliced-Wasserstein and Applications to Generative Modeling

• arxiv url: http://arxiv.org/abs/2002.07367v2
• Date: Sun, 4 Oct 2020 07:21:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-30 19:42:48.197323
• Title: Distributional Sliced-Wasserstein and Applications to Generative Modeling
• Title（参考訳）: 分布スライスwassersteinと生成モデリングへの応用
• Authors: Khai Nguyen and Nhat Ho and Tung Pham and Hung Bui
• Abstract要約: Sliced-Wasserstein distance (SW)とその変種Max Sliced-Wasserstein distance (Max-SW)は近年広く使われている。 分散スライス-ワッサーシュタイン距離(DSW)という新しい距離を提案する。 DSWはMax-SWの一般化であり、最適なプッシュフォワード測度を求めることで効率的に計算できることを示す。
• 参考スコア（独自算出の注目度）: 27.014748003733544
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sliced-Wasserstein distance (SW) and its variant, Max Sliced-Wasserstein distance (Max-SW), have been used widely in the recent years due to their fast computation and scalability even when the probability measures lie in a very high dimensional space. However, SW requires many unnecessary projection samples to approximate its value while Max-SW only uses the most important projection, which ignores the information of other useful directions. In order to account for these weaknesses, we propose a novel distance, named Distributional Sliced-Wasserstein distance (DSW), that finds an optimal distribution over projections that can balance between exploring distinctive projecting directions and the informativeness of projections themselves. We show that the DSW is a generalization of Max-SW, and it can be computed efficiently by searching for the optimal push-forward measure over a set of probability measures over the unit sphere satisfying certain regularizing constraints that favor distinct directions. Finally, we conduct extensive experiments with large-scale datasets to demonstrate the favorable performances of the proposed distances over the previous sliced-based distances in generative modeling applications.
• Abstract（参考訳）: Sliced-Wasserstein distance (SW) とその変種Max Sliced-Wasserstein distance (Max-SW) は、確率測度が非常に高次元空間にある場合でも、高速な計算とスケーラビリティのために近年広く使われている。 しかし、SWはその値を近似するために多くの不要な投影サンプルを必要とするが、Max-SWは最も重要な投影のみを使用し、他の有用な方向の情報を無視している。 これらの弱点を説明するために, 分布スライデッド・ワッサースタイン距離 (DSW) という新しい距離を提案し, 投射方向の探索と投射自体の情報性の間にバランスをとることのできる射影上の最適分布を求める。 DSWはMax-SWの一般化であり、異なる方向を優先する一定の正規化制約を満たす単位球上の一連の確率測度に対して最適なプッシュフォワード測度を求めることにより、効率的に計算できることを示す。 最後に, 大規模データセットを用いた広範囲な実験を行い, 生成モデルにおける従来のスライスベース距離に対する提案した距離の良好な性能を示す。

関連論文リスト

• Sliced Wasserstein with Random-Path Projecting Directions [49.802024788196434]
  本稿では,モンテカルロ予想推定のための高速サンプリングを行う最適化自由スライシング分布を提案する。 我々はランダムパススライシング分布(RPSD)とスライスされたワッサースタインの2つの変種、すなわちランダムパススライシングワッサースタイン(RPSW)とIWRPSW(Importance Weighted Random-Path Projection Sliced Wasserstein)を導出する。
  論文  参考訳（メタデータ） (2024-01-29T04:59:30Z)
• Markovian Sliced Wasserstein Distances: Beyond Independent Projections [51.80527230603978]
  我々は、射影方向にマルコフ構造を課す新しいSW距離の族、Markovian sliced Wasserstein (MSW) 距離を導入する。 フロー,色移動,深部生成モデルなどの様々な応用において,従来のSW変種との距離を比較し,MSWの良好な性能を示す。
  論文  参考訳（メタデータ） (2023-01-10T01:58:15Z)
• Hierarchical Sliced Wasserstein Distance [27.12983497199479]
  スライスされたワッサースタイン(SW)距離は、次元の呪いに悩まされることなく、多数のサポーターにスケールすることができる。 サポート数の効率性にもかかわらず、スライスされたワッサーシュタインを推定するには、高次元の設定において比較的多くの投影が必要である。 ボトルネック投影と呼ばれる少数の投影を線形かつランダムに組み合わせて投影を導出することを提案する。 次に、階層スライクド・ワッサースタイン距離(HSW)と呼ばれる測度間の新しい測度へのアプローチを定式化する。
  論文  参考訳（メタデータ） (2022-09-27T17:46:15Z)
• Fast Approximation of the Sliced-Wasserstein Distance Using Concentration of Random Projections [19.987683989865708]
  Sliced-Wasserstein distance (SW) は、機械学習アプリケーションでますます使われている。 本稿では,測度現象の集中を利用してSWを近似する新しい視点を提案する。 提案手法は多数のランダムなプロジェクションをサンプリングする必要はなく,通常のモンテカルロ近似と比較して正確かつ容易に利用できる。
  論文  参考訳（メタデータ） (2021-06-29T13:56:19Z)
• Instance-Optimal Compressed Sensing via Posterior Sampling [101.43899352984774]
  後部サンプリング推定器がほぼ最適回復保証を達成できることを示す。 本稿では,Langevin dynamics を用いた深部生成前駆体の後方サンプリング推定器を実装し,MAP よりも精度の高い推定値が得られることを実証的に見出した。
  論文  参考訳（メタデータ） (2021-06-21T22:51:56Z)
• On Projection Robust Optimal Transport: Sample Complexity and Model Misspecification [101.0377583883137]
  射影ロバスト(PR)OTは、2つの測度の間のOTコストを最大化するために、射影可能な$k$次元部分空間を選択する。 私たちの最初の貢献は、PRワッサーシュタイン距離のいくつかの基本的な統計的性質を確立することである。 次に、部分空間を最適化するのではなく平均化することにより、PRW距離の代替として積分PRワッサーシュタイン距離(IPRW)を提案する。
  論文  参考訳（メタデータ） (2020-06-22T14:35:33Z)
• Augmented Sliced Wasserstein Distances [55.028065567756066]
  拡張スライスされたワッサーシュタイン距離(ASWD)と呼ばれる新しい距離測定法を提案する。 ASWDは、ニューラルネットワークによってパラメータ化された高次元超曲面への最初のマッピングサンプルによって構成される。 数値的な結果から、ASWDは、合成問題と実世界の問題の両方において、他のワッサーシュタイン変種を著しく上回っていることが示されている。
  論文  参考訳（メタデータ） (2020-06-15T23:00:08Z)
• Projection Robust Wasserstein Distance and Riemannian Optimization [107.93250306339694]
  プロジェクション・ソリッドスタイン(PRW)は、ワッサーシュタイン・プロジェクション(WPP)のロバストな変種であることを示す。 本稿では,PRW距離の計算への第一歩として,その理論と実データに関する実験の関連について述べる。
  論文  参考訳（メタデータ） (2020-06-12T20:40:22Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。