Fugu-MT 論文翻訳(概要): Linearized Optimal Transport for Collider Events

論文の概要: Linearized Optimal Transport for Collider Events

arxiv url: http://arxiv.org/abs/2008.08604v1
Date: Wed, 19 Aug 2020 18:00:09 GMT
ステータス: 処理完了
システム内更新日: 2022-10-27 12:35:41.852614
Title: Linearized Optimal Transport for Collider Events
Title（参考訳）: 衝突事故に対する線形最適輸送
Authors: Tianji Cai, Junyi Cheng, Katy Craig, Nathaniel Craig
Abstract要約: 線形化最適輸送(LOT)ツールを用いたコライダーイベント間距離の効率的な計算フレームワークを提案する。また、単純な機械学習アルゴリズムや視覚化技術に使えるユークリッドの埋め込みも備えている。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We introduce an efficient framework for computing the distance between collider events using the tools of Linearized Optimal Transport (LOT). This preserves many of the advantages of the recently-introduced Energy Mover's Distance, which quantifies the "work" required to rearrange one event into another, while significantly reducing the computational cost. It also furnishes a Euclidean embedding amenable to simple machine learning algorithms and visualization techniques, which we demonstrate in a variety of jet tagging examples. The LOT approximation lowers the threshold for diverse applications of the theory of optimal transport to collider physics.
Abstract（参考訳）: 本稿では,Linearized Optimal Transport (LOT) のツールを用いて,コライダーイベント間の距離を計算するための効率的なフレームワークを提案する。これは、最近導入されたEnergy Mover's Distanceの利点の多くを保存し、ある事象を別の事象に並べ替えるために必要な「作業」を定量化し、計算コストを大幅に削減する。また、単純な機械学習アルゴリズムや可視化技術に使えるユークリッド埋め込みも備えており、様々なジェットタグの例で示している。 LOT近似は、コライダー物理学への最適輸送の理論の様々な応用の閾値を下げる。

関連論文リスト

Bisimulation Metrics are Optimal Transport Distances, and Can be Computed Efficiently [14.262270388108112]
マルコフ連鎖間の最適な輸送距離を定式化するための新しい枠組みを提案する。関節分布の全空間における最適輸送距離を計算することは、線形プログラムの解法として等価に定式化できることを示す。
論文参考訳（メタデータ） (2024-06-06T13:25:14Z)
OTClean: Data Cleaning for Conditional Independence Violations using Optimal Transport [51.6416022358349]
sysは、条件付き独立性(CI)制約下でのデータ修復に最適な輸送理論を利用するフレームワークである。我々はSinkhornの行列スケーリングアルゴリズムにインスパイアされた反復アルゴリズムを開発し、高次元および大規模データを効率的に処理する。
論文参考訳（メタデータ） (2024-03-04T18:23:55Z)
Entropic Neural Optimal Transport via Diffusion Processes [105.34822201378763]
本稿では,連続確率分布間のエントロピー最適輸送(EOT)計画を計算するための新しいアルゴリズムを提案する。提案アルゴリズムは,シュリンガーブリッジ問題(Schr"odinger Bridge problem)として知られるEOTの動的バージョンのサドル点再構成に基づく。大規模EOTの従来の手法とは対照的に,我々のアルゴリズムはエンドツーエンドであり,単一の学習ステップで構成されている。
論文参考訳（メタデータ） (2022-11-02T14:35:13Z)
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)
Low-rank Optimal Transport: Approximation, Statistics and Debiasing [51.50788603386766]
フロゼットボン2021ローランで提唱された低ランク最適輸送(LOT)アプローチ LOTは興味のある性質と比較した場合、エントロピー正則化の正当な候補と見なされる。本稿では,これらの領域のそれぞれを対象とし,計算OTにおける低ランクアプローチの影響を補強する。
論文参考訳（メタデータ） (2022-05-24T20:51:37Z)
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)
Congestion-aware Multi-agent Trajectory Prediction for Collision Avoidance [110.63037190641414]
渋滞パターンを明示的に学習し、新しい「センス--学習--Reason--予測」フレームワークを考案する。学習段階を2段階に分解することで、「学生」は「教師」から文脈的手がかりを学習し、衝突のない軌跡を生成する。実験では,提案モデルが合成データセットにおいて衝突のない軌道予測を生成できることを実証する。
論文参考訳（メタデータ） (2021-03-26T02:42:33Z)
Unbalanced minibatch Optimal Transport; applications to Domain Adaptation [8.889304968879163]
最適輸送距離は、非パラメトリック確率分布を比較するための機械学習の能力に多くの応用を見出した。我々は、同じミニバッチ戦略と不均衡な最適輸送が組み合わさって、より堅牢な振る舞いをもたらすと論じる。実験により, 領域適応に関する課題において, 不均衡な最適移動の利用は, 最近のベースラインと競合するか, はるかに良好な結果をもたらすことが示された。
論文参考訳（メタデータ） (2021-03-05T11:15:47Z)
Improving Approximate Optimal Transport Distances using Quantization [23.319746583489763]
最適な輸送は、確率測度を幾何学的に比較する機械学習の一般的なツールである。 OTの線形プログラミングアルゴリズムは入力の規模を3倍にスケールし、大局的にOTを非現実的にする。安価なサンプルアクセスで測定値間のOT距離を推定するために, 量子化ステップを用いた実用的アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-02-25T08:45:06Z)
Minibatch optimal transport distances; analysis and applications [9.574645423576932]
最適輸送距離は確率分布を比較するための古典的なツールとなり、機械学習に多くの応用を見出した。一般的な回避策は、これらの距離をミニバッチで計算して、いくつかの小さな最適な輸送問題の結果の平均化です。本稿では,本手法の広範な分析を行い,その効果を限定したケースで検討した。
論文参考訳（メタデータ） (2021-01-05T21:29:31Z)
Scalable Differentiable Physics for Learning and Control [99.4302215142673]
微分物理学は、物理的対象や環境を含む問題を学習し、制御するための強力なアプローチである。我々は、多数のオブジェクトとその相互作用をサポートすることができる微分可能物理学のためのスケーラブルなフレームワークを開発する。
論文参考訳（メタデータ） (2020-07-04T19:07:51Z)

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。