論文の概要: Wasserstein Iterative Networks for Barycenter Estimation
- arxiv url: http://arxiv.org/abs/2201.12245v1
- Date: Fri, 28 Jan 2022 16:59:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-31 14:31:29.946572
- Title: Wasserstein Iterative Networks for Barycenter Estimation
- Title（参考訳）: ベイセンター推定のためのwasserstein反復ネットワーク
- Authors: Alexander Korotin, Vage Egiazarian, Lingxiao Li, Evgeny Burnaev
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 80.23810439485078
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Wasserstein barycenters have become popular due to their ability to represent
the average of probability measures in a geometrically meaningful way. In this
paper, we present an algorithm to approximate the Wasserstein-2 barycenters of
continuous measures via a generative model. Previous approaches rely on
regularization (entropic/quadratic) which introduces bias or on input convex
neural networks which are not expressive enough for large-scale tasks. In
contrast, our algorithm does not introduce bias and allows using arbitrary
neural networks. In addition, based on the celebrity faces dataset, we
construct Ave, celeba! dataset which can be used for quantitative evaluation of
barycenter algorithms by using standard metrics of generative models such as
FID.
- Abstract（参考訳）: ワッサーシュタインのバリセンターは、幾何学的に意味のある方法で確率測度の平均を表す能力によって人気を博している。
本稿では,連続測度のwasserstein-2重心を生成モデルを用いて近似するアルゴリズムを提案する。
従来のアプローチでは、バイアスを導入する正規化(エントロピー/クワッドラティック)や、大規模なタスクには不十分な入力凸ニューラルネットワークに依存していた。
対照的に,本アルゴリズムではバイアスは導入せず,任意のニューラルネットワークを用いることができる。
さらに、有名人の顔のデータセットに基づいて、FIDなどの生成モデルの標準指標を用いて、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する。
関連論文リスト
- Estimating Barycenters of Distributions with Neural Optimal Transport [93.28746685008093]
本稿では,Wasserstein Barycenter問題を解くための新しいスケーラブルなアプローチを提案する。
我々の手法は最近のNeural OTソルバをベースとしている。
また,提案手法の理論的誤差境界も確立する。
論文 参考訳（メタデータ） (2024-02-06T09:17:07Z) - Generalizing Backpropagation for Gradient-Based Interpretability [103.2998254573497]
モデルの勾配は、半環を用いたより一般的な定式化の特別な場合であることを示す。
この観測により、バックプロパゲーションアルゴリズムを一般化し、他の解釈可能な統計を効率的に計算することができる。
論文 参考訳（メタデータ） (2023-07-06T15:19:53Z) - Online stochastic Newton methods for estimating the geometric median and
applications [0.0]
大きなサンプルの文脈では、少数の個人が平均のような基本的な統計指標を損なう可能性がある。
本稿では,中央傾向の頑健な指標である確率変数の幾何学的中央値の推定に焦点をあてる。
論文 参考訳（メタデータ） (2023-04-03T07:47:20Z) - Projection Robust Wasserstein Barycenter [36.97843660480747]
ワッサースタイン・バリセンターの 近似は 次元の呪いのため 数値的に困難です
本稿では,次元の呪いを緩和するプロジェクションロバストなワッサーシュタインバリセンタ(PRWB)を提案する。
論文 参考訳（メタデータ） (2021-02-05T19:23:35Z) - Learning High Dimensional Wasserstein Geodesics [55.086626708837635]
高次元の2つの確率分布の間のワッサーシュタイン測地線を計算するための新しい定式化と学習戦略を提案する。
ラグランジュ乗算器の手法を最適輸送(OT)問題の動的定式化に適用することにより、サドル点がワッサーシュタイン測地線であるミニマックス問題を導出する。
次に、深層ニューラルネットワークによる関数のパラメータ化を行い、トレーニングのためのサンプルベースの双方向学習アルゴリズムを設計する。
論文 参考訳（メタデータ） (2021-02-05T04:25:28Z) - Continuous Wasserstein-2 Barycenter Estimation without Minimax
Optimization [94.18714844247766]
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。
論文 参考訳（メタデータ） (2021-02-02T21:01:13Z) - Continual Learning of Generative Models with Limited Data: From
Wasserstein-1 Barycenter to Adaptive Coalescence [22.82926450287203]
データと計算能力に制限のあるネットワークエッジノードでは、生成モデルの学習が難しい。
本研究は,生成モデルの連続学習を体系的に最適化するフレームワークの開発を目的とする。
論文 参考訳（メタデータ） (2021-01-22T17:15:39Z) - 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)
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。