論文の概要: Bayesian Inference for Optimal Transport with Stochastic Cost

• arxiv url: http://arxiv.org/abs/2010.09327v1
• Date: Mon, 19 Oct 2020 09:07:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 20:56:39.382844
• Title: Bayesian Inference for Optimal Transport with Stochastic Cost
• Title（参考訳）: 確率的コストによる最適輸送のベイズ推定
• Authors: Anton Mallasto, Markus Heinonen, Samuel Kaski
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 22.600086666266243
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In machine learning and computer vision, optimal transport has had significant success in learning generative models and defining metric distances between structured and stochastic data objects, that can be cast as probability measures. The key element of optimal transport is the so called lifting of an \emph{exact} cost (distance) function, defined on the sample space, to a cost (distance) between probability measures over the sample space. However, in many real life applications the cost is \emph{stochastic}: e.g., the unpredictable traffic flow affects the cost of transportation between a factory and an outlet. To take this stochasticity into account, we introduce a Bayesian framework for inferring the optimal transport plan distribution induced by the stochastic cost, allowing for a principled way to include prior information and to model the induced stochasticity on the transport plans. Additionally, we tailor an HMC method to sample from the resulting transport plan posterior distribution.
• Abstract（参考訳）: 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し、確率測度としてキャストできる構造化データオブジェクトと確率データオブジェクトの間の距離を定義する上で大きな成功を収めた。 最適な輸送の鍵となる要素は、サンプル空間上で定義された「emph{exact} コスト」(距離)関数を、サンプル空間上の確率測度の間のコスト(距離)へ持ち上げることである。 しかし、多くの現実のアプリケーションでは、コストは \emph{stochastic} である: 例えば、予測不能な交通の流れは、工場と出口の間の輸送コストに影響する。 この確率性を考慮し、確率コストによって引き起こされる最適な輸送計画分布を推算するベイズ的枠組みを導入し、事前情報を含む原則的な方法と、輸送計画に引き起こされる確率性をモデル化する。 また, hmc法を用いて, 結果の輸送計画後方分布から試料を採取する。

関連論文リスト

• Expected Sliced Transport Plans [9.33181953215826]
  本研究では, 1次元の最適輸送計画を, もともとの空間に戻す「揚力」操作を提案する。 本研究では、EST計画を用いて、ある点から別の点へ移動する際のユークリッドの個々のコストの和を重み付けし、入力された離散確率測度間の有効距離を求めることを証明する。
  論文  参考訳（メタデータ） (2024-10-16T02:44:36Z)
• Dynamical Measure Transport and Neural PDE Solvers for Sampling [77.38204731939273]
  本研究では, 対象物へのトラクタブル密度関数の移動として, 確率密度からサンプリングする作業に取り組む。 物理インフォームドニューラルネットワーク(PINN)を用いて各偏微分方程式(PDE)の解を近似する。 PINNはシミュレーションと離散化のない最適化を可能にし、非常に効率的に訓練することができる。
  論文  参考訳（メタデータ） (2024-07-10T17:39:50Z)
• 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)
• New Perspectives on Regularization and Computation in Optimal Transport-Based Distributionally Robust Optimization [8.564319625930892]
  本研究では, 有限の輸送コストで所定の基準分布による不確実な問題パラメータの分布を選択することができるような, 最適輸送に基づく分布安定度最適化問題について検討する。
  論文  参考訳（メタデータ） (2023-03-07T13:52:32Z)
• 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)
• Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
  最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。 本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
  論文  参考訳（メタデータ） (2022-06-29T22:19:03Z)
• 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)
• Predicting the probability distribution of bus travel time to move towards reliable planning of public transport services [4.913013713982677]
  公共交通機関におけるサービス計画の問題,すなわち多目的車両スケジューリング問題(MDVSP)に対する信頼性の高いアプローチを導入する。 この研究は、MDVSPソリューションへの第一歩として、旅行時間の条件p.d.f.を予測するための確率モデルを実証的に比較する。
  論文  参考訳（メタデータ） (2021-02-03T21:05:37Z)
• Comparing Probability Distributions with Conditional Transport [63.11403041984197]
  新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。 ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。 さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
  論文  参考訳（メタデータ） (2020-12-28T05:14:22Z)
• FLOT: Scene Flow on Point Clouds Guided by Optimal Transport [82.86743909483312]
  本稿では,点雲上のシーンフローを推定するFLOT法を提案する。 グラフマッチングに関する最近の研究に触発されて、最適な輸送手段からツールを借りてこれらの対応を見つける方法を構築した。 私たちの主な発見は、FLOTは、合成および実世界のデータセット上で、最も優れた既存の方法と同様に、実行可能であることです。
  論文  参考訳（メタデータ） (2020-07-22T00:15:30Z)
• Statistical Optimal Transport posed as Learning Kernel Embedding [0.0]
  この研究は、統計学的最適輸送(OT)を、輸送計画のカーネルの平均埋め込みをサンプルベースによる限界埋め込みの推定から学習する、という新しいアプローチを採っている。 重要な結果は、非常に穏やかな条件下では、$epsilon$-optimal recovery of the transport plan と Barycentric-projection based transport map が、完全に次元のないサンプル複雑性で可能であることである。
  論文  参考訳（メタデータ） (2020-02-08T14:58:53Z)

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。