論文の概要: Joint Wasserstein Distribution Matching
- arxiv url: http://arxiv.org/abs/2003.00389v1
- Date: Sun, 1 Mar 2020 03:39:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-27 13:04:22.234591
- Title: Joint Wasserstein Distribution Matching
- Title(参考訳): ジョイントワッサースタイン分布マッチング
- Authors: JieZhang Cao, Langyuan Mo, Qing Du, Yong Guo, Peilin Zhao, Junzhou
Huang, Mingkui Tan
- Abstract要約: JDM問題(Joint Distribution matching)は、2つのドメインの関節分布を一致させるために双方向マッピングを学習することを目的としており、多くの機械学習およびコンピュータビジョンアプリケーションで発生している。
2つの領域における関節分布のワッサーシュタイン距離を最小化することにより、JDM問題に対処することを提案する。
そこで我々は,難解な問題を簡単な最適化問題に還元する重要な定理を提案し,その解法を開発した。
- 参考スコア(独自算出の注目度): 89.86721884036021
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Joint distribution matching (JDM) problem, which aims to learn bidirectional
mappings to match joint distributions of two domains, occurs in many machine
learning and computer vision applications. This problem, however, is very
difficult due to two critical challenges: (i) it is often difficult to exploit
sufficient information from the joint distribution to conduct the matching;
(ii) this problem is hard to formulate and optimize. In this paper, relying on
optimal transport theory, we propose to address JDM problem by minimizing the
Wasserstein distance of the joint distributions in two domains. However, the
resultant optimization problem is still intractable. We then propose an
important theorem to reduce the intractable problem into a simple optimization
problem, and develop a novel method (called Joint Wasserstein Distribution
Matching (JWDM)) to solve it. In the experiments, we apply our method to
unsupervised image translation and cross-domain video synthesis. Both
qualitative and quantitative comparisons demonstrate the superior performance
of our method over several state-of-the-arts.
- Abstract(参考訳): JDM問題(Joint Distribution matching)は、2つのドメインの関節分布を一致させるために双方向マッピングを学習することを目的としており、多くの機械学習およびコンピュータビジョンアプリケーションで発生する。
しかし、この問題は2つの重大な課題から非常に困難である。
(i)マッチングを行うために、共同分布から十分な情報を活用することは、しばしば困難である。
(ii)この問題は定式化や最適化が難しい。
本稿では、最適輸送理論に基づき、2つの領域における関節分布のワッサーシュタイン距離を最小化することにより、JDM問題に対処することを提案する。
しかし、結果の最適化問題は依然として難解である。
次に,難解な問題を簡単な最適化問題に還元する重要な定理を提案し,それを解決するための新しい手法(joint wasserstein distribution matching (jwdm)) を開発した。
実験では,教師なし画像変換とクロスドメインビデオ合成に本手法を適用した。
質的および定量的比較は,いくつかの最先端技術よりも優れた性能を示す。
関連論文リスト
- Generalized Schr\"odinger Bridge Matching [57.40143569424158]
一般化Schr"odinger Bridge (GSB) 問題設定は、機械学習の内外を問わず、多くの科学領域に広く見られる。
我々は最近の進歩に触発された新しいマッチングアルゴリズムである一般化シュリンガーブリッジマッチング(GSBM)を提案する。
このような一般化は、効率的な変分近似を利用できる条件付き最適制御を解くのに役立てることができることを示す。
論文 参考訳(メタデータ) (2023-10-03T17:42:11Z) - On the Effects of Data Heterogeneity on the Convergence Rates of
Distributed Linear System Solvers [10.103350854870992]
一組の機械の助けを借りて線形方程式の大規模系を解く問題を考察する。
アルゴリズムの2つのクラスを比較し、各クラスから最も効率的なメソッドに特に焦点をあてる。
分析の結果,APCが現実シナリオにおいて最も効率的な手法であることを示す以外に,多くの新たな知見が得られた。
論文 参考訳(メタデータ) (2023-04-20T20:48:00Z) - Efficient Alternating Minimization Solvers for Wyner Multi-View
Unsupervised Learning [0.0]
本稿では,計算効率のよい解法の開発を可能にする2つの新しい定式化法を提案する。
提案した解法は, 計算効率, 理論的収束保証, ビュー数による局所最小値複雑性, 最先端技術と比較して, 例外的な精度を提供する。
論文 参考訳(メタデータ) (2023-03-28T10:17:51Z) - Cooperative Distribution Alignment via JSD Upper Bound [7.071749623370137]
教師なし分布アライメントは、2つ以上のソース分布を共有整列分布にマッピングする変換を推定する。
このタスクには、生成モデリング、教師なしドメイン適応、社会的に認識された学習など、多くの応用がある。
我々は,従来のフローベースアプローチを,単一の非逆数フレームワークで統一し,一般化することを提案する。
論文 参考訳(メタデータ) (2022-07-05T20:09:03Z) - Compression and Data Similarity: Combination of Two Techniques for
Communication-Efficient Solving of Distributed Variational Inequalities [137.6408511310322]
本稿では、圧縮とデータ類似性という2つの一般的なアプローチの組み合わせについて考察する。
この相乗効果は, 分散分散単調変分不等式の解法において, それぞれ別々に行う方法よりも効果的であることを示す。
論文 参考訳(メタデータ) (2022-06-19T16:38:56Z) - Distributed Methods with Compressed Communication for Solving
Variational Inequalities, with Theoretical Guarantees [115.08148491584997]
本稿では,MASHA1 と MASHA2 の圧縮通信による変分不等式とサドル点問題の解法について理論的に検討した。
新しいアルゴリズムは双方向圧縮をサポートし、バッチの設定や、クライアントの部分的な参加を伴うフェデレーション学習のために修正することもできる。
論文 参考訳(メタデータ) (2021-10-07T10:04:32Z) - Learning to Match Distributions for Domain Adaptation [116.14838935146004]
本稿では,ドメイン間分布マッチングを自動的に学習する学習 to Match (L2M)を提案する。
L2Mは、メタネットワークを用いてデータ駆動方式で分布整合損失を学習することにより、誘導バイアスを低減する。
公開データセットの実験は、SOTA法よりもL2Mの方が優れていることを裏付けている。
論文 参考訳(メタデータ) (2020-07-17T03:26:13Z) - MineReduce: an approach based on data mining for problem size reduction [58.720142291102135]
本稿では,マイニングパターンを用いて問題サイズの削減を行うMineReduceという手法を提案する。
異種車両ルーティング問題に対するMineReduceの適用について述べる。
論文 参考訳(メタデータ) (2020-05-15T08:49:50Z)
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。