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
- A Computational Framework for Solving Wasserstein Lagrangian Flows [51.32751290160936]
本稿では,これらすべての問題に統一的な視点からアプローチする,新しいディープラーニングベースのフレームワークを提案する。
本手法では, 学習力学の軌跡をシミュレーション・バックプロパゲートする必要はない。
提案手法は, 単セル軌道推定における従来の手法より優れていることを示す。
論文 参考訳(メタデータ) (2023-10-16T17:59:54Z) - Computing high-dimensional optimal transport by flow neural networks [22.320632565424745]
この研究はフローベースモデルを開発し、P$から任意の$Q$に転送する。
本稿では,フローニューラルネットワークのトレーニングにより,$P$と$Q$の間の動的最適輸送を学習することを提案する。
訓練された最適輸送流はその後、無限小密度推定(DRE)や、生成モデルのための潜在空間における分布を含む多くの下流タスクを実行することができる。
論文 参考訳(メタデータ) (2023-05-19T17:48:21Z) - 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 [70.37918531697142]
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) - Approximating Optimal Transport via Low-rank and Sparse Factorization [19.808887459724893]
最適なトランスポート(OT)は、様々な機械学習アプリケーションで自然に発生するが、しばしば計算ボトルネックとなる。
輸送計画を低ランク行列とスパース行列の和に分解できる新しいOT近似法を提案する。
論文 参考訳(メタデータ) (2021-11-12T03:10:45Z) - 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。