論文の概要: Wasserstein Generative Learning of Conditional Distribution

• arxiv url: http://arxiv.org/abs/2112.10039v1
• Date: Sun, 19 Dec 2021 01:55:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-22 07:47:10.634423
• Title: Wasserstein Generative Learning of Conditional Distribution
• Title（参考訳）: 条件分布のwasserstein生成学習
• Authors: Shiao Liu, Xingyu Zhou, Yuling Jiao and Jian Huang
• Abstract要約: 条件分布学習のためのワッサーシュタイン生成手法を提案する。 提案手法により生成された条件付きサンプリング分布の非漸近誤差境界を確立する。
• 参考スコア（独自算出の注目度）: 6.051520664893158
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conditional distribution is a fundamental quantity for describing the relationship between a response and a predictor. We propose a Wasserstein generative approach to learning a conditional distribution. The proposed approach uses a conditional generator to transform a known distribution to the target conditional distribution. The conditional generator is estimated by matching a joint distribution involving the conditional generator and the target joint distribution, using the Wasserstein distance as the discrepancy measure for these joint distributions. We establish non-asymptotic error bound of the conditional sampling distribution generated by the proposed method and show that it is able to mitigate the curse of dimensionality, assuming that the data distribution is supported on a lower-dimensional set. We conduct numerical experiments to validate proposed method and illustrate its applications to conditional sample generation, nonparametric conditional density estimation, prediction uncertainty quantification, bivariate response data, image reconstruction and image generation.
• Abstract（参考訳）: 条件分布は応答と予測器の関係を記述する基本的な量である。 条件分布学習のためのワッサーシュタイン生成手法を提案する。 提案手法では条件生成器を用いて既知の分布を対象条件分布に変換する。 これらのジョイント分布のばらつき尺度としてワッサースタイン距離を用いて条件付きジェネレータと目標ジョイント分布とのジョイント分布とを整合させて条件付きジェネレータを推定する。 提案手法によって生成された条件付サンプリング分布の非漸近誤差境界を確立し,低次元集合上でのデータ分布が支持されていることを仮定して,次元の呪いを緩和できることを示す。 提案手法の有効性を検証するための数値実験を行い, 条件付きサンプル生成, 非パラメトリック条件密度推定, 予測不確実性定量化, 二変量応答データ, 画像再構成, 画像生成への応用について述べる。

関連論文リスト

• Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
  本報告では,明示的な次元の一般スコアミスマッチ拡散サンプリング器を用いた最初の性能保証について述べる。 その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。 この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
  論文  参考訳（メタデータ） (2024-10-17T16:42:12Z)
• Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
  異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。 異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
  論文  参考訳（メタデータ） (2024-04-24T09:04:36Z)
• Uncertainty Quantification via Stable Distribution Propagation [60.065272548502]
  本稿では,ニューラルネットワークによる安定確率分布の伝播手法を提案する。 提案手法は局所線形化に基づいており,ReLU非線型性に対する全変動距離の近似値として最適であることを示す。
  論文  参考訳（メタデータ） (2024-02-13T09:40:19Z)
• Deep conditional distribution learning via conditional Föllmer flow [3.227277661633986]
  本研究では,条件F"ollmer Flow"という条件分布を学習するための常微分方程式(ODE)に基づく深部生成手法を提案する。 効率的な実装のために、我々は、深層ニューラルネットワークを用いて非パラメトリックに速度場を推定するオイラー法を用いて流れを判別する。
  論文  参考訳（メタデータ） (2024-02-02T14:52:10Z)
• Distributed Markov Chain Monte Carlo Sampling based on the Alternating Direction Method of Multipliers [143.6249073384419]
  本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。 我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。 シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
  論文  参考訳（メタデータ） (2024-01-29T02:08:40Z)
• Conditional Stochastic Interpolation for Generative Learning [5.0061421661196865]
  本研究では条件分布を学習するための条件条件付き条件付き(CSI)手法を提案する。 条件予測の観点から条件ドリフトとスコア関数の明示的な表現を導出する。 ベンチマーク画像データセットを用いた画像生成におけるCSIの適用について述べる。
  論文  参考訳（メタデータ） (2023-12-09T13:53:35Z)
• Wasserstein Geodesic Generator for Conditional Distributions [25.436269587204293]
  統計的距離によって定義される距離空間によって条件分布が完全に特徴づけられる新しい条件生成アルゴリズムを提案する。 我々はワッサーシュタイン測地線を学習する新しい条件生成器であるワッサーシュタイン測地線生成器を提案するために最適な輸送理論を用いる。
  論文  参考訳（メタデータ） (2023-08-20T03:12:10Z)
• Adaptive Annealed Importance Sampling with Constant Rate Progress [68.8204255655161]
  Annealed Importance Smpling (AIS)は、抽出可能な分布から重み付けされたサンプルを合成する。 本稿では,alpha$-divergencesに対する定数レートAISアルゴリズムとその効率的な実装を提案する。
  論文  参考訳（メタデータ） (2023-06-27T08:15:28Z)
• Flow Away your Differences: Conditional Normalizing Flows as an Improvement to Reweighting [0.0]
  本稿では, 条件分布の所望の変化を考慮に入れた再重み付け手法の代替手法を提案する。 条件付き正規化フローを用いて、完全条件付き確率分布を学習する。 この例では、ソースとターゲットの分布を同一のサンプルサイズで再重み付けする手法よりも、統計精度が最大3倍に向上する。
  論文  参考訳（メタデータ） (2023-04-28T16:33:50Z)
• CovarianceNet: Conditional Generative Model for Correct Covariance Prediction in Human Motion Prediction [71.31516599226606]
  本稿では,将来の軌道の予測分布に関連する不確かさを正確に予測する手法を提案する。 我々のアプローチであるCovariaceNetは、ガウス潜在変数を持つ条件付き生成モデルに基づいている。
  論文  参考訳（メタデータ） (2021-09-07T09:38:24Z)

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。