論文の概要: Large-Scale Optimal Transport via Adversarial Training with Cycle-Consistency

• arxiv url: http://arxiv.org/abs/2003.06635v1
• Date: Sat, 14 Mar 2020 14:06:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-23 20:03:48.987856
• Title: Large-Scale Optimal Transport via Adversarial Training with Cycle-Consistency
• Title（参考訳）: サイクル整合性による逆行訓練による大規模最適輸送
• Authors: Guansong Lu, Zhiming Zhou, Jian Shen, Cheng Chen, Weinan Zhang, Yong Yu
• Abstract要約: 本稿では,輸送マップを直接解き,一般コスト関数と互換性のある大規模最適輸送のためのエンドツーエンドアプローチを提案する。 提案手法の有効性を実世界の大規模応用に適用し,提案手法の有効性を実証する。
• 参考スコア（独自算出の注目度）: 30.305690062622283
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in large-scale optimal transport have greatly extended its application scenarios in machine learning. However, existing methods either not explicitly learn the transport map or do not support general cost function. In this paper, we propose an end-to-end approach for large-scale optimal transport, which directly solves the transport map and is compatible with general cost function. It models the transport map via stochastic neural networks and enforces the constraint on the marginal distributions via adversarial training. The proposed framework can be further extended towards learning Monge map or optimal bijection via adopting cycle-consistency constraint(s). We verify the effectiveness of the proposed method and demonstrate its superior performance against existing methods with large-scale real-world applications, including domain adaptation, image-to-image translation, and color transfer.
• Abstract（参考訳）: 大規模最適輸送の最近の進歩は、機械学習の応用シナリオを大きく広げた。 しかし、既存のメソッドは明示的にトランスポートマップを学習しないか、一般的なコスト関数をサポートしていない。 本稿では,輸送マップを直接解き,汎用コスト関数と互換性のある大規模最適輸送のためのエンドツーエンド手法を提案する。 確率的ニューラルネットワークによるトランスポートマップをモデル化し、敵のトレーニングによる限界分布の制約を強制する。 提案フレームワークは,サイクル整合性制約(s)を適用すれば,Mongeマップの学習や最適なビジェクションにさらに拡張することができる。 提案手法の有効性を検証し,ドメイン適応,画像から画像への変換,カラートランスファーなど,大規模実世界の既存手法と比較して優れた性能を示す。

関連論文リスト

• Optimal Transport Maps are Good Voice Converters [58.42556113055807]
  本稿では,メル・スペクトログラムや自己教師付き音声モデルの潜在表現など,さまざまなデータ表現に最適なトランスポートアルゴリズムを提案する。 メリースペクトルデータ表現では、Frechet Audio Distance (FAD) を用いて強い結果が得られる。 我々は,限られた参照話者データであっても,最先端の成果を達成し,既存手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-10-17T22:48:53Z)
• Improving Neural Optimal Transport via Displacement Interpolation [16.474572112062535]
  最適輸送(OT)理論は、ソース分布をターゲット分布に移動させるコスト最小化輸送マップを考察する。 本稿では, 安定度を向上し, 変位を利用した OT Map の近似性を向上する手法を提案する。 画像から画像への変換タスクにおいて,DIOTMが既存のOTベースモデルより優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-03T16:42:23Z)
• Control, Transport and Sampling: Towards Better Loss Design [10.732151772173083]
  我々は、最適制御されたダイナミクスを介して$nu$から$mu$への輸送に使用できる客観的関数を提案する。 我々は、パスワイズ・パースペクティブの重要性と、パス尺度における様々な最適条件が、有効なトレーニング損失の設計に果たす役割を強調した。
  論文  参考訳（メタデータ） (2024-05-22T15:24:48Z)
• InfoOT: Information Maximizing Optimal Transport [58.72713603244467]
  InfoOTは最適な輸送の情報理論の拡張である。 幾何学的距離を最小化しながら、ドメイン間の相互情報を最大化する。 この定式化は、外れ値に対して堅牢な新しい射影法をもたらし、目に見えないサンプルに一般化する。
  論文  参考訳（メタデータ） (2022-10-06T18:55:41Z)
• Neural Optimal Transport with General Cost Functionals [66.41953045707172]
  一般費用関数の最適輸送計画を計算するニューラルネットワークに基づく新しいアルゴリズムを提案する。 アプリケーションとして,クラス単位の構造を保ちながら,データ分布をマップするコスト関数を構築した。
  論文  参考訳（メタデータ） (2022-05-30T20:00:19Z)
• Neural Optimal Transport [82.2689844201373]
  本稿では、最適な輸送マップを計算し、強力で弱い輸送コストを計画するニューラルネットベースの新しいアルゴリズムを提案する。 ニューラルネットワークが確率分布間の輸送計画の普遍的近似であることを示す。
  論文  参考訳（メタデータ） (2022-01-28T16:24:13Z)
• A Deep Value-network Based Approach for Multi-Driver Order Dispatching [55.36656442934531]
  そこで本研究では,注文発送のための深層強化学習に基づくソリューションを提案する。 DiDiの配車プラットフォーム上で大規模なオンラインA/Bテストを実施している。 その結果,CVNetは近年提案されているディスパッチ手法よりも一貫して優れていた。
  論文  参考訳（メタデータ） (2021-06-08T16:27:04Z)
• Scalable Bayesian Inverse Reinforcement Learning [93.27920030279586]
  我々はAVRIL(Adroximate Variational Reward Imitation Learning)を紹介する。 本手法は,逆強化学習問題の誤った性質に対処する。 本手法を従来の制御シミュレーションと並行して実際の医療データに適用し,現在の手法の範囲を超えた環境におけるベイズ報酬推論を実証する。
  論文  参考訳（メタデータ） (2021-02-12T12:32:02Z)
• Bayesian Inference for Optimal Transport with Stochastic Cost [22.600086666266243]
  機械学習とコンピュータビジョンにおいて、最適輸送は生成モデルを学習する上で大きな成功を収めた。 誘導コストによる最適輸送計画分布を推定するための枠組みを提案する。 また, 得られた輸送計画分布からHMC法を抽出する。
  論文  参考訳（メタデータ） (2020-10-19T09:07:57Z)
• Reinforcement Learning to Optimize the Logistics Distribution Routes of Unmanned Aerial Vehicle [0.0]
  本稿では,複数のノフライゾーンを含む複雑な環境下でUAVの経路計画を実現するための改良手法を提案する。 その結果,このような複雑な状況に適応するモデルの有効性と効率性が示された。
  論文  参考訳（メタデータ） (2020-04-21T09:42:03Z)

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。