論文の概要: Convergence of Gaussian-smoothed optimal transport distance with
sub-gamma distributions and dependent samples
- arxiv url: http://arxiv.org/abs/2103.00394v1
- Date: Sun, 28 Feb 2021 04:30:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-03 17:18:42.698036
- Title: Convergence of Gaussian-smoothed optimal transport distance with
sub-gamma distributions and dependent samples
- Title(参考訳): gaussian-smoothed optimal transport distanceのサブガンマ分布と依存サンプルによる収束
- Authors: Yixing Zhang, Xiuyuan Cheng, Galen Reeves
- Abstract要約: 本稿では,より一般的な設定下でのGOT距離を推定するための収束保証を提供する。
我々の分析における重要なステップは、GOT距離がカーネルの最大誤差距離の族に支配されていることを示すことである。
- 参考スコア(独自算出の注目度): 12.77426855794452
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The Gaussian-smoothed optimal transport (GOT) framework, recently proposed by
Goldfeld et al., scales to high dimensions in estimation and provides an
alternative to entropy regularization. This paper provides convergence
guarantees for estimating the GOT distance under more general settings. For the
Gaussian-smoothed $p$-Wasserstein distance in $d$ dimensions, our results
require only the existence of a moment greater than $d + 2p$. For the special
case of sub-gamma distributions, we quantify the dependence on the dimension
$d$ and establish a phase transition with respect to the scale parameter. We
also prove convergence for dependent samples, only requiring a condition on the
pairwise dependence of the samples measured by the covariance of the feature
map of a kernel space.
A key step in our analysis is to show that the GOT distance is dominated by a
family of kernel maximum mean discrepancy (MMD) distances with a kernel that
depends on the cost function as well as the amount of Gaussian smoothing. This
insight provides further interpretability for the GOT framework and also
introduces a class of kernel MMD distances with desirable properties. The
theoretical results are supported by numerical experiments.
- Abstract(参考訳): 最近Goldfeldらによって提案されたガウススムース最適輸送(GOT)フレームワークは、推定の高次元にスケールし、エントロピー正規化の代替手段を提供する。
本稿では,より一般的な設定下でのGOT距離を推定するための収束保証を提供する。
d$次元のガウス-スムース$p$-Wasserstein距離の場合、私たちの結果は$d + 2p$より大きい瞬間の存在のみを必要とします。
サブガンマ分布の特別な場合については、次元 $d$ への依存性を定量化し、スケールパラメータに関して位相遷移を確立する。
また,従属標本に対する収束を証明し,核空間の特徴写像の共分散によって測定された試料の対依存条件のみを条件とする。
我々の分析における重要なステップは、ゲット距離がコスト関数とガウス平滑化の量に依存するカーネルの最大平均差(mmd)距離の族によって支配されていることを示すことである。
この洞察は、GOTフレームワークのさらなる解釈可能性を提供し、望ましい特性を持つカーネルMDD距離のクラスも導入する。
理論結果は数値実験によって支持される。
関連論文リスト
- Estimation of entropy-regularized optimal transport maps between
non-compactly supported measures [15.857723276537248]
本稿では,ガウシアン以下の音源と目標測度の間の2乗ユークリッドコストでエントロピー規則化された最適輸送マップを推定する問題に対処する。
論文 参考訳(メタデータ) (2023-11-20T17:18:21Z) - A High-dimensional Convergence Theorem for U-statistics with
Applications to Kernel-based Testing [3.469038201881982]
次数2のU-統計量に対して収束定理を証明し、データ次元$d$はサンプルサイズ$n$でスケールすることができる。
我々はこの理論を、高次元性能の研究が困難である2つのカーネルベースの分散テスト MMD と KSD に適用した。
論文 参考訳(メタデータ) (2023-02-11T12:49:46Z) - Targeted Separation and Convergence with Kernel Discrepancies [66.48817218787006]
カーネルベースの不一致測度は、(i)ターゲットPを他の確率測度から分離するか、(ii)Pへの弱収束を制御する必要がある。
本稿では, (i) と (ii) を保証するのに十分な,必要な新しい条件を導出する。
可分距離空間上のMDDに対して、ボヒナー埋め込み可測度を分離するカーネルを特徴づけ、すべての測度を非有界カーネルと分離するための単純な条件を導入する。
論文 参考訳(メタデータ) (2022-09-26T16:41:16Z) - Optimal 1-Wasserstein Distance for WGANs [2.1174215880331775]
有限標本とレジームの両方において、WGAN(Wasserstein GANs)を徹底的に解析する。
半離散状態における最適輸送理論の新たな結果を導出する。
論文 参考訳(メタデータ) (2022-01-08T13:04:03Z) - Optimal policy evaluation using kernel-based temporal difference methods [78.83926562536791]
カーネルヒルベルト空間を用いて、無限水平割引マルコフ報酬過程の値関数を推定する。
我々は、関連するカーネル演算子の固有値に明示的に依存した誤差の非漸近上界を導出する。
MRP のサブクラスに対する minimax の下位境界を証明する。
論文 参考訳(メタデータ) (2021-09-24T14:48:20Z) - Mean-Square Analysis with An Application to Optimal Dimension Dependence
of Langevin Monte Carlo [60.785586069299356]
この研究は、2-ワッサーシュタイン距離におけるサンプリング誤差の非同相解析のための一般的な枠組みを提供する。
我々の理論解析は数値実験によってさらに検証される。
論文 参考訳(メタデータ) (2021-09-08T18:00:05Z) - A Note on Optimizing Distributions using Kernel Mean Embeddings [94.96262888797257]
カーネル平均埋め込みは、その無限次元平均埋め込みによる確率測度を表す。
カーネルが特徴的である場合、カーネルの総和密度を持つ分布は密度が高いことを示す。
有限サンプル設定でそのような分布を最適化するアルゴリズムを提供する。
論文 参考訳(メタデータ) (2021-06-18T08:33:45Z) - Improved Convergence Guarantees for Learning Gaussian Mixture Models by
EM and Gradient EM [15.251738476719918]
パラメータを既知の重みのK成分を用いたガウス混合モデルとして推定する問題を考察する。
本稿では, EM と勾配 EM の局所収束について, 従来の研究と比較し, より鮮明な解析を行った。
第2のコントリビューションは,EMと勾配EMによる精度評価のための試料サイズ要件の改善である。
論文 参考訳(メタデータ) (2021-01-03T08:10:01Z) - On Projection Robust Optimal Transport: Sample Complexity and Model
Misspecification [101.0377583883137]
射影ロバスト(PR)OTは、2つの測度の間のOTコストを最大化するために、射影可能な$k$次元部分空間を選択する。
私たちの最初の貢献は、PRワッサーシュタイン距離のいくつかの基本的な統計的性質を確立することである。
次に、部分空間を最適化するのではなく平均化することにより、PRW距離の代替として積分PRワッサーシュタイン距離(IPRW)を提案する。
論文 参考訳(メタデータ) (2020-06-22T14:35:33Z) - The Convergence Indicator: Improved and completely characterized
parameter bounds for actual convergence of Particle Swarm Optimization [68.8204255655161]
我々は、粒子が最終的に単一点に収束するか、分岐するかを計算するのに使用できる新しい収束指標を導入する。
この収束指標を用いて、収束群につながるパラメータ領域を完全に特徴づける実際の境界を提供する。
論文 参考訳(メタデータ) (2020-06-06T19:08:05Z) - Optimal estimation of high-dimensional location Gaussian mixtures [6.947889260024788]
ワッサーシュタイン距離における混合分布を推定する最小値の値は$Theta((d/n)1/4 + n-1/(4k-2))$である。
また,混合密度はヘリンジャー距離の最適パラメトリックレート$Theta(sqrtd/n)$で推定可能であることを示す。
論文 参考訳(メタデータ) (2020-02-14T00:11:54Z)
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。