論文の概要: Optimal transport for vector Gaussian mixture models
- arxiv url: http://arxiv.org/abs/2012.09226v1
- Date: Wed, 16 Dec 2020 19:46:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-03 07:19:00.220576
- Title: Optimal transport for vector Gaussian mixture models
- Title(参考訳): ベクトルガウス混合モデルに対する最適輸送
- Authors: Jiening Zhu, Kaiming Xu, Allen Tannenbaum
- Abstract要約: ガウス混合模型をベクトル化し,そのモデルに対する最適物質移動に関する問題を考察する。
最適な質量輸送にベクトルガウス混合物を使用することの利点は、計算効率と構造を維持する能力を含む。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vector Gaussian mixture models form an important special subset of
vector-valued distributions. Any physical entity that can mutate or transit
among alternative manifestations distributed in a given space falls into this
category. A key example is color imagery. In this note, we vectorize the
Gaussian mixture model and study different optimal mass transport related
problems for such models. The benefits of using vector Gaussian mixture for
optimal mass transport include computational efficiency and the ability to
preserve structure.
- Abstract(参考訳): ベクトルガウス混合モデルはベクトル値分布の重要な特殊部分集合を形成する。
与えられた空間に分布する別の表現を変更または遷移できる任意の物理的実体は、このカテゴリに該当する。
主な例はカラー画像である。
本稿では,ガウス混合モデルをベクトル化し,そのようなモデルに対する最適物質輸送関連問題を考察する。
最適物質輸送にベクトルガウス混合を用いる利点は、計算効率と構造を保存する能力である。
関連論文リスト
- Finite mixture of skewed sub-Gaussian stable distributions [0.0]
提案モデルは正規分布とスキュー分布の有限混合を含む。
堅牢なモデルベースのクラスタリングのための強力なモデルとして使用できる。
論文 参考訳(メタデータ) (2022-05-27T15:51:41Z) - Equivariance Discovery by Learned Parameter-Sharing [153.41877129746223]
データから解釈可能な等価性を発見する方法について検討する。
具体的には、モデルのパラメータ共有方式に対する最適化問題として、この発見プロセスを定式化する。
また,ガウスデータの手法を理論的に解析し,研究された発見スキームとオラクルスキームの間の平均2乗ギャップを限定する。
論文 参考訳(メタデータ) (2022-04-07T17:59:19Z) - Equivariant Diffusion for Molecule Generation in 3D [74.289191525633]
この研究は、ユークリッド変換に同値な3次元の分子計算生成のための拡散モデルを導入する。
提案手法は, 従来の3次元分子生成法に比べて, 生成した試料の品質と訓練時の効率を著しく向上させる。
論文 参考訳(メタデータ) (2022-03-31T12:52:25Z) - Modelling nonlinear dependencies in the latent space of inverse
scattering [1.5990720051907859]
アングルとマラートによって提案された逆散乱では、ディープニューラルネットワークが画像に適用された散乱変換を反転するように訓練される。
このようなネットワークをトレーニングした後、散乱係数の主成分分布から標本化できることから、生成モデルとして利用することができる。
本稿では,2つのモデル,すなわち変分オートエンコーダと生成逆数ネットワークについて検討する。
論文 参考訳(メタデータ) (2022-03-19T12:07:43Z) - MMES: Mixture Model based Evolution Strategy for Large-Scale
Optimization [36.37871629761407]
本研究は,大規模環境下での共分散行列適応進化戦略(CMA-ES)の効率的なサンプリング手法を提供する。
この混合モデルの確率分布を解析し、CMA-ESのガウス分布を制御可能な精度で近似することを示す。
このサンプリング法と変異強度適応法を組み合わせて混合モデルに基づく進化戦略(MMES)を定式化する。
論文 参考訳(メタデータ) (2022-03-15T14:33:37Z) - Gaussian Mixture Convolution Networks [13.493166990188278]
本稿では,多次元ガウス混合の解析的畳み込みに基づく新しい深層学習法を提案する。
このアーキテクチャに基づくネットワークは,MNIST と ModelNet のデータセットに適合したガウス混合の競合精度に達することを示す。
論文 参考訳(メタデータ) (2022-02-18T12:07:52Z) - A Robust and Flexible EM Algorithm for Mixtures of Elliptical
Distributions with Missing Data [71.9573352891936]
本稿では、ノイズや非ガウス的なデータに対するデータ計算の欠如に対処する。
楕円分布と潜在的な欠落データを扱う優れた性質を混合した新しい予測アルゴリズムについて検討した。
合成データの実験的結果は,提案アルゴリズムが外れ値に対して頑健であり,非ガウスデータで使用可能であることを示す。
論文 参考訳(メタデータ) (2022-01-28T10:01:37Z) - Equivariant vector field network for many-body system modeling [65.22203086172019]
Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。
シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
論文 参考訳(メタデータ) (2021-10-26T14:26:25Z) - Vector Transport Free Riemannian LBFGS for Optimization on Symmetric
Positive Definite Matrix Manifolds [6.71040737182206]
逆2次根とチョレスキー分解を用いた接空間における2つの写像を提案する。
同一ベクトル輸送は、RLBFGSの計算コストを低減し、そのアイソメトリーはRLBFGSの収束解析にも非常に有用である。
論文 参考訳(メタデータ) (2021-08-25T02:39:56Z) - Learning Equivariant Energy Based Models with Equivariant Stein
Variational Gradient Descent [80.73580820014242]
本稿では,確率モデルに対称性を組み込むことにより,確率密度の効率的なサンプリングと学習の問題に焦点をあてる。
まず、等変シュタイン変分勾配Descentアルゴリズムを導入する。これは、対称性を持つ密度からサンプリングするスタインの同一性に基づく同変サンプリング法である。
我々はエネルギーベースモデルのトレーニングを改善し、スケールアップする新しい方法を提案する。
論文 参考訳(メタデータ) (2021-06-15T01:35:17Z) - Learning with Density Matrices and Random Features [62.997667081978825]
密度行列は、量子系の統計状態を記述する。
本稿では,機械学習モデル構築のためのビルディングブロックとして,密度行列をどのように利用できるかを検討する。
論文 参考訳(メタデータ) (2021-02-08T17:54:59Z)
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。