論文の概要: Measure Transport with Kernel Stein Discrepancy

• arxiv url: http://arxiv.org/abs/2010.11779v2
• Date: Mon, 26 Oct 2020 12:08:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-04 07:44:47.326678
• Title: Measure Transport with Kernel Stein Discrepancy
• Title（参考訳）: カーネルスタインの相違による輸送測定
• Authors: Matthew A. Fisher, Tui Nolan, Matthew M. Graham, Dennis Prangle, Chris J. Oates
• Abstract要約: 輸送の測定は、ベイズ的文脈における後方近似の最近のアルゴリズムの基盤となっている。 代わりに、カーネルのスタイン差分(KSD)を最小化することを提案し、輸送マップの集合は、$L2$の意味で密度が高いことを要求している。 関連する後部近似の整合性を確立し, 実験結果から, KSDはKLDと競合し, よりフレキシブルな代替品であることが示唆された。
• 参考スコア（独自算出の注目度）: 5.1360598023779955
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Measure transport underpins several recent algorithms for posterior approximation in the Bayesian context, wherein a transport map is sought to minimise the Kullback--Leibler divergence (KLD) from the posterior to the approximation. The KLD is a strong mode of convergence, requiring absolute continuity of measures and placing restrictions on which transport maps can be permitted. Here we propose to minimise a kernel Stein discrepancy (KSD) instead, requiring only that the set of transport maps is dense in an $L^2$ sense and demonstrating how this condition can be validated. The consistency of the associated posterior approximation is established and empirical results suggest that KSD is competitive and more flexible alternative to KLD for measure transport.
• Abstract（参考訳）: 輸送度の測定は, 後方から近似へのKLD(Kulback--Leibler divergence)の最小化を目的とした, ベイジアン文脈における後方近似の最近のアルゴリズムの基盤となっている。 KLDは強い収束のモードであり、測定の絶対的な連続性を必要とし、輸送地図が許される制限を課す。 ここでは、輸送マップの集合が$L^2$の意味で密度が高いことだけを要求し、この条件がどのように検証できるかを示す。 関連する後部近似の整合性を確立し, 実験結果から, KSDはKLDと競合し, より柔軟であることが示された。

関連論文リスト

• Scalable Unbalanced Sobolev Transport for Measures on a Graph [23.99177001129992]
  最適輸送(OT)は確率測度を比較する強力なツールである。 OT にはいくつかの欠点がある: (i) 同じ質量を持つために必要な入力測度、(ii)高い計算複雑性、(iii)不確定性。 Le et al. (2022) は、支持体上のグラフ構造を利用して、同じ総質量のグラフ上の測度に対して、最近ソボレフ輸送を提案した。 提案した不均衡なソボレフ輸送は高速計算のための閉形式式を許容し,また負の定式であることを示す。
  論文  参考訳（メタデータ） (2023-02-24T07:35:38Z)
• Learning Discretized Neural Networks under Ricci Flow [51.36292559262042]
  低精度重みとアクティベーションからなる離散ニューラルネットワーク(DNN)について検討する。 DNNは、訓練中に微分不可能な離散関数のために無限あるいはゼロの勾配に悩まされる。
  論文  参考訳（メタデータ） (2023-02-07T10:51:53Z)
• Minimax estimation of discontinuous optimal transport maps: The semi-discrete case [14.333765302506658]
  2つの確率分布、$P$ および $Q$ in $mathbb Rd$ の間の最適輸送写像を推定する問題を考える。 エントロピックな最適輸送に基づく推定器は、次元に依存しないミニマックス最適速度$n-1/2$で収束することを示す。
  論文  参考訳（メタデータ） (2023-01-26T18:41:38Z)
• 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)
• On minimax density estimation via measure transport [0.0]
  本研究では,非パラメトリック密度推定器のコンバージェンス特性について検討した。 これらの推定器のペナル化および未定値化バージョンは、H"古い密度のクラスよりも極小極小収束率が得られることを示す。
  論文  参考訳（メタデータ） (2022-07-20T23:56:00Z)
• Sobolev Transport: A Scalable Metric for Probability Measures with Graph Metrics [25.591913014859184]
  グラフ計量空間上で支持される確率測度を考察し,新しいソボレフ輸送測度を提案する。 ソボレフ輸送距離は高速計算のための閉形式式であり、負の定値であることを示す。 この輸送距離で与えられる確率測度の空間は、重み付き$ell_p$距離を持つユークリッド空間の有界凸集合に等尺的であることを示す。
  論文  参考訳（メタデータ） (2022-02-22T08:27:58Z)
• Near-optimal estimation of smooth transport maps with kernel sums-of-squares [81.02564078640275]
  滑らかな条件下では、2つの分布の間の正方形ワッサーシュタイン距離は、魅力的な統計的誤差上界で効率的に計算できる。 生成的モデリングのような応用への関心の対象は、基礎となる最適輸送写像である。 そこで本研究では,地図上の統計的誤差であるL2$が,既存のミニマックス下限値とほぼ一致し,スムーズな地図推定が可能となる最初のトラクタブルアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-12-03T13:45:36Z)
• Do Neural Optimal Transport Solvers Work? A Continuous Wasserstein-2 Benchmark [133.46066694893318]
  最適輸送のためのニューラルネットワークに基づく解法の性能を評価する。 既存の解法では,下流タスクでは良好に機能するにもかかわらず,最適な輸送マップを復元できないことがわかった。
  論文  参考訳（メタデータ） (2021-06-03T15:59:28Z)
• Comparing Probability Distributions with Conditional Transport [63.11403041984197]
  新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。 ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。 さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
  論文  参考訳（メタデータ） (2020-12-28T05:14:22Z)
• Linear Optimal Transport Embedding: Provable Wasserstein classification for certain rigid transformations and perturbations [79.23797234241471]
  分布の区別は多くの科学分野において重要な問題である。 線形最適輸送(LOT)は分布の空間を$L2$-スペースに埋め込む。 複数の分布分類問題に対するLOTの利点を実証する。
  論文  参考訳（メタデータ） (2020-08-20T19:09:33Z)

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。