論文の概要: Probabilistic Inverse Optimal Transport
- arxiv url: http://arxiv.org/abs/2112.09754v1
- Date: Fri, 17 Dec 2021 20:33:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-21 15:18:15.293998
- Title: Probabilistic Inverse Optimal Transport
- Title(参考訳): 確率的逆最適輸送
- Authors: Wei-Ting Chiu, Pei Wang, Patrick Shafto
- Abstract要約: 最適輸送(OT)は、コスト行列が与えられた確率測度間の最適結合を求める問題を定式化する。
結合のコストを推定する逆問題は、逆最適輸送(IOT)である。
我々は、エントロピー規則化OTの研究ツールを用いて、IOTの特性を形式化し、体系的に解析する。
- 参考スコア(独自算出の注目度): 11.425633112192521
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Optimal transport (OT) formalizes the problem of finding an optimal coupling
between probability measures given a cost matrix. The inverse problem of
inferring the cost given a coupling is Inverse Optimal Transport (IOT). IOT is
less well understood than OT. We formalize and systematically analyze the
properties of IOT using tools from the study of entropy-regularized OT.
Theoretical contributions include characterization of the manifold of
cross-ratio equivalent costs, the implications of model priors, and derivation
of an MCMC sampler. Empirical contributions include visualizations of
cross-ratio equivalent effect on basic examples and simulations validating
theoretical results.
- Abstract(参考訳): 最適輸送(OT)は、コスト行列が与えられた確率測度間の最適結合を求める問題を定式化する。
結合のコストを推定する逆問題は、逆最適輸送(Inverse Optimal Transport, IOT)である。
IOTはOTほどよく理解されていない。
我々は、エントロピー規則化OTの研究ツールを用いて、IOTの特性を形式化し、体系的に解析する。
理論的貢献には、クロス比例等価コストの多様体の特徴づけ、モデル事前の含意、MCMCサンプリング器の導出などが含まれる。
経験的貢献には、基本的な例と理論結果を検証するシミュレーションに対する相互比等価効果の可視化が含まれる。
関連論文リスト
- Quantum Theory and Application of Contextual Optimal Transport [2.2184513782087354]
本稿では、文脈化された輸送計画の記憶的最適化のための、第一種量子コンピューティングの定式化を提案する。
薬物摂取量からパラメータ化された細胞型分布の変動を文脈として予測し, 合成計算と実データに対する本手法の有効性を検証する。
論文 参考訳(メタデータ) (2024-02-22T22:03:16Z) - Lower Complexity Adaptation for Empirical Entropic Optimal Transport [0.0]
エントロピック最適輸送(EOT)は、非正規化最適輸送(OT)に代わる有効で計算可能な代替手段を示す
EOTコストの実証的なプラグイン推定のための新しい統計的境界を導出する。
この手法は経験的プロセス理論を用いており、単一関数クラス上の EOT の二重定式化に依存している。
論文 参考訳(メタデータ) (2023-06-23T16:06:13Z) - Robust computation of optimal transport by $\beta$-potential
regularization [79.24513412588745]
最適輸送(OT)は、確率分布間の差を測定する機械学習分野で広く使われているツールである。
我々は、いわゆる$beta$-divergenceに付随するベータポテンシャル項でOTを正規化することを提案する。
提案アルゴリズムで計算した輸送行列は,外乱が存在する場合でも確率分布を頑健に推定するのに役立つことを実験的に実証した。
論文 参考訳(メタデータ) (2022-12-26T18:37:28Z) - On the potential benefits of entropic regularization for smoothing
Wasserstein estimators [3.194167428464958]
本稿では,ワッサースタイン推定器の平滑化手法として最適輸送におけるエントロピー正則化の研究に焦点をあてる。
エントロピー正則化が、より低い計算コストで、非正規化ワッサーシュタイン推定器に匹敵する統計的性能にどのように到達するかを論じる。
論文 参考訳(メタデータ) (2022-10-13T12:04:36Z) - Low-rank Optimal Transport: Approximation, Statistics and Debiasing [51.50788603386766]
フロゼットボン2021ローランで提唱された低ランク最適輸送(LOT)アプローチ
LOTは興味のある性質と比較した場合、エントロピー正則化の正当な候補と見なされる。
本稿では,これらの領域のそれぞれを対象とし,計算OTにおける低ランクアプローチの影響を補強する。
論文 参考訳(メタデータ) (2022-05-24T20:51:37Z) - Multi-task Learning of Order-Consistent Causal Graphs [59.9575145128345]
我々は、$K関連ガウス非巡回グラフ(DAG)の発見問題を考える。
マルチタスク学習環境下では, 線形構造方程式モデルを学習するためのMLE ($l_1/l$-regularized maximum chance estimator) を提案する。
理論的には、関係するタスクにまたがるデータを活用することで、因果順序を復元する際のサンプルの複雑さをより高めることができることを示す。
論文 参考訳(メタデータ) (2021-11-03T22:10:18Z) - Pseudo-Spherical Contrastive Divergence [119.28384561517292]
エネルギーベースモデルの最大学習確率を一般化するために,擬球面コントラスト分散(PS-CD)を提案する。
PS-CDは難解な分割関数を避け、学習目的の一般化されたファミリーを提供する。
論文 参考訳(メタデータ) (2021-11-01T09:17:15Z) - Multi-task learning on the edge: cost-efficiency and theoretical
optimality [0.0]
本稿では、教師付き主成分分析(SPCA)に基づく分散マルチタスク学習(MTL)アルゴリズムを提案する。
合成および実ベンチマークデータに対する支持実験は、大きなエネルギーゲインを性能損失なく得ることを示した。
論文 参考訳(メタデータ) (2021-10-09T19:59:02Z) - Heavy-tailed Streaming Statistical Estimation [58.70341336199497]
ストリーミング$p$のサンプルから重み付き統計推定の課題を考察する。
そこで我々は,傾きの雑音に対して,よりニュアンスな条件下での傾きの傾きの低下を設計し,より詳細な解析を行う。
論文 参考訳(メタデータ) (2021-08-25T21:30:27Z) - Comparing Probability Distributions with Conditional Transport [63.11403041984197]
新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。
ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。
さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
論文 参考訳(メタデータ) (2020-12-28T05:14:22Z) - Statistical Optimal Transport posed as Learning Kernel Embedding [0.0]
この研究は、統計学的最適輸送(OT)を、輸送計画のカーネルの平均埋め込みをサンプルベースによる限界埋め込みの推定から学習する、という新しいアプローチを採っている。
重要な結果は、非常に穏やかな条件下では、$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。