論文の概要: Continuous Wasserstein-2 Barycenter Estimation without Minimax
Optimization
- arxiv url: http://arxiv.org/abs/2102.01752v1
- Date: Tue, 2 Feb 2021 21:01:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-04 17:24:57.001721
- Title: Continuous Wasserstein-2 Barycenter Estimation without Minimax
Optimization
- Title(参考訳): ミニマックス最適化を伴わない連続waserstein-2重心推定
- Authors: Alexander Korotin, Lingxiao Li, Justin Solomon, Evgeny Burnaev
- Abstract要約: ワッサーシュタイン・バリセンターは、最適輸送に基づく確率測度の重み付き平均の幾何学的概念を提供する。
本稿では,Wasserstein-2 バリセンタのサンプルアクセスを演算するスケーラブルなアルゴリズムを提案する。
- 参考スコア(独自算出の注目度): 94.18714844247766
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Wasserstein barycenters provide a geometric notion of the weighted average of
probability measures based on optimal transport. In this paper, we present a
scalable algorithm to compute Wasserstein-2 barycenters given sample access to
the input measures, which are not restricted to being discrete. While past
approaches rely on entropic or quadratic regularization, we employ input convex
neural networks and cycle-consistency regularization to avoid introducing bias.
As a result, our approach does not resort to minimax optimization. We provide
theoretical analysis on error bounds as well as empirical evidence of the
effectiveness of the proposed approach in low-dimensional qualitative scenarios
and high-dimensional quantitative experiments.
- Abstract(参考訳): ワッサーシュタイン・バリセンターは、最適輸送に基づく確率測度の重み付き平均の幾何学的概念を提供する。
本稿では,離散性に制限されない入力尺度へのサンプルアクセスを与えられたWasserstein-2バリセンタを計算するスケーラブルなアルゴリズムを提案する。
過去アプローチはエントロピーあるいは二次正規化に依存しているが、我々はバイアスの導入を避けるために入力凸ニューラルネットワークとサイクルコンシスタンス正規化を用いる。
その結果、私たちのアプローチはミニマックス最適化に頼りません。
誤差境界に関する理論的分析と,提案手法の有効性を低次元定性シナリオおよび高次元定量的実験で実証的に証明する。
関連論文リスト
- The Performance of Wasserstein Distributionally Robust M-Estimators in
High Dimensions [3.093890460224435]
雑音線形測定から未知のパラメータを推定するための分布的ロバストなM推定フレームワークを提案する。
凸凹最適化問題の解法として、二乗誤差を復元できることが示される。
論文 参考訳(メタデータ) (2022-06-27T13:02:59Z) - Distributed Sketching for Randomized Optimization: Exact
Characterization, Concentration and Lower Bounds [54.51566432934556]
我々はヘシアンの形成が困難である問題に対する分散最適化法を検討する。
ランダム化されたスケッチを利用して、問題の次元を減らし、プライバシを保ち、非同期分散システムにおけるストラグラーレジリエンスを改善します。
論文 参考訳(メタデータ) (2022-03-18T05:49:13Z) - Wasserstein Iterative Networks for Barycenter Estimation [80.23810439485078]
生成モデルを用いて連続測度のワッサーシュタイン2バリセンターを近似するアルゴリズムを提案する。
有名人の顔のデータセットに基づいて、バリセンタアルゴリズムの定量的評価に使用できるAve, celeba!データセットを構築した。
論文 参考訳(メタデータ) (2022-01-28T16:59:47Z) - Heavy-tailed Streaming Statistical Estimation [58.70341336199497]
ストリーミング$p$のサンプルから重み付き統計推定の課題を考察する。
そこで我々は,傾きの雑音に対して,よりニュアンスな条件下での傾きの傾きの低下を設計し,より詳細な解析を行う。
論文 参考訳(メタデータ) (2021-08-25T21:30:27Z) - Streaming computation of optimal weak transport barycenters [13.664682865991255]
我々は、弱いバリセンターとその古典的なWassersteinバリセンターとの関係の理論的分析を提供します。
任意の測度の有限あるいは無限の族に対して弱重心を計算するための反復アルゴリズムを提供する。
論文 参考訳(メタデータ) (2021-02-26T10:08:02Z) - Continuous Regularized Wasserstein Barycenters [51.620781112674024]
正規化ワッサーシュタイン・バリセンタ問題に対する新しい双対定式化を導入する。
我々は、強い双対性を確立し、対応する主対関係を用いて、正規化された輸送問題の双対ポテンシャルを用いて暗黙的にバリセンターをパラメトリゼーションする。
論文 参考訳(メタデータ) (2020-08-28T08:28:06Z) - Scalable Computations of Wasserstein Barycenter via Input Convex Neural
Networks [15.171726731041055]
ワッサーシュタイン・バリーセンター(Wasserstein Barycenter)は、与えられた確率分布の集合の重み付き平均を表す原理的なアプローチである。
本稿では,Wasserstein Barycentersを機械学習の高次元的応用を目的とした,スケーラブルな新しいアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-07-08T22:41:18Z) - Distributed Averaging Methods for Randomized Second Order Optimization [54.51566432934556]
我々はヘッセン語の形成が計算的に困難であり、通信がボトルネックとなる分散最適化問題を考察する。
我々は、ヘッセンのサンプリングとスケッチを用いたランダム化二階最適化のための非バイアスパラメータ平均化手法を開発した。
また、不均一なコンピューティングシステムのための非バイアス分散最適化フレームワークを導入するために、二階平均化手法のフレームワークを拡張した。
論文 参考訳(メタデータ) (2020-02-16T09:01:18Z)
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。