Fugu-MT 論文翻訳(概要): Centered plug-in estimation of Wasserstein distances

論文の概要: Centered plug-in estimation of Wasserstein distances

arxiv url: http://arxiv.org/abs/2203.11627v2
Date: Tue, 29 Apr 2025 17:31:42 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-02 19:15:51.414804
Title: Centered plug-in estimation of Wasserstein distances
Title（参考訳）: Wasserstein距離の中央プラグイン推定
Authors: Tamás P. Papp, Chris Sherlock,
Abstract要約: 平方ユークリッド2-ワッサーシュタイン距離のプラグイン推定器は保守的であるが、大きな正のバイアスのため、しばしば非形式的である。我々は、真のワッサーシュタイン距離で減少する中心的なプラグイン推定器を1対構築し、したがって、任意の有限標本サイズに対して情報的であることが保証される。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The plug-in estimator of the squared Euclidean 2-Wasserstein distance is conservative, however due to its large positive bias it is often uninformative. We eliminate most of this bias using a simple centering procedure based on linear combinations. We construct a pair of centered plug-in estimators that decrease with the true Wasserstein distance, and are therefore guaranteed to be informative, for any finite sample size. Crucially, we demonstrate that these estimators can often be viewed as complementary upper and lower bounds on the squared Wasserstein distance. Finally, we apply the estimators to Bayesian computation, developing methods for estimating (i) the bias of approximate inference methods and (ii) the convergence of MCMC algorithms.
Abstract（参考訳）: 平方ユークリッド2-ワッサーシュタイン距離のプラグイン推定器は保守的であるが、大きな正のバイアスのため、しばしば非形式的である。線形結合に基づく単純な中心化手法を用いて,このバイアスの大部分を除去する。我々は、真のワッサーシュタイン距離で減少する中心的なプラグイン推定器を1対構築し、したがって、任意の有限標本サイズに対して情報的であることが保証される。重要なことに、これらの推定子は、しばしば正方形ワッサーシュタイン距離上の相補的な上界と下界と見なすことができる。最後にベイズ計算に推定器を適用し、推定方法を開発する。一近似推論の方法の偏り及び (II)MCMCアルゴリズムの収束

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)
Y-Diagonal Couplings: Approximating Posteriors with Conditional Wasserstein Distances [0.4419843514606336]
逆問題において、多くの条件生成モデルは、合同測度と学習近似との距離を最小化することにより、後続測度を近似する。後部の期待するワッサーシュタイン距離と等しいような制限された結合の集合を持つ条件付きワッサーシュタイン距離を導入する。
論文参考訳（メタデータ） (2023-10-20T11:46:05Z)
Fisher-Rao distance and pullback SPD cone distances between multivariate normal distributions [7.070726553564701]
正規多様体の準多様体への微分同相埋め込みに基づく距離のクラスを導入する。コーン上の射影ヒルベルト距離が埋め込み正規部分多様体上の計量となることを示す。このような距離をクラスタリングタスクでどのように使うかを示します。
論文参考訳（メタデータ） (2023-07-20T07:14:58Z)
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$-divergencesに対する定数レートAISアルゴリズムとその効率的な実装を提案する。
論文参考訳（メタデータ） (2023-06-27T08:15:28Z)
Energy-Based Sliced Wasserstein Distance [47.18652387199418]
スライスされたワッサーシュタイン(SW)距離の鍵成分はスライス分布である。本研究では,スライシング分布をパラメータフリーなエネルギーベース分布として設計する。次に、新しいスライスされたワッセルシュタイン計量、エネルギーベースのスライスされたワッセルシュタイン距離(EBSW)を導出する。
論文参考訳（メタデータ） (2023-04-26T14:28:45Z)
Estimation and inference for the Wasserstein distance between mixing measures in topic models [18.66039789963639]
混合測度間のワッサーシュタイン距離は混合モデルの統計解析において中心的な位置を占めるようになった。この研究は、この距離の新しい標準解釈を提案し、トピックモデルにおけるワッサーシュタイン距離の推論を行うためのツールを提供する。
論文参考訳（メタデータ） (2022-06-26T02:33:40Z)
Hilbert Curve Projection Distance for Distribution Comparison [34.8765820950517]
2つの確率分布間の距離を測定するため,Hilbert curve projection (HCP) 距離と呼ばれる新しい計量法を提案する。 HCP距離は適切な計量であり、有界な支持を持つ確率測度に対して十分に定義されていることを示す。合成データと実世界データの両方の実験により、我々のHCP距離は、複雑さの低いワッサーシュタイン距離の効果的なサロゲートとして機能することが示された。
論文参考訳（メタデータ） (2022-05-30T12:40:32Z)
Wasserstein Iterative Networks for Barycenter Estimation [80.23810439485078]
生成モデルを用いて連続測度のワッサーシュタイン2バリセンターを近似するアルゴリズムを提案する。有名人の顔のデータセットに基づいて、バリセンタアルゴリズムの定量的評価に使用できるAve, celeba!データセットを構築した。
論文参考訳（メタデータ） (2022-01-28T16:59:47Z)
Near-optimal estimation of smooth transport maps with kernel sums-of-squares [81.02564078640275]
滑らかな条件下では、2つの分布の間の正方形ワッサーシュタイン距離は、魅力的な統計的誤差上界で効率的に計算できる。生成的モデリングのような応用への関心の対象は、基礎となる最適輸送写像である。そこで本研究では,地図上の統計的誤差であるL2$が,既存のミニマックス下限値とほぼ一致し,スムーズな地図推定が可能となる最初のトラクタブルアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-12-03T13:45:36Z)
Density Ratio Estimation via Infinitesimal Classification [85.08255198145304]
そこで我々は, DRE-inftyを提案する。 DRE-inftyは, 密度比推定(DRE)を, より簡単なサブプロブレムに還元する手法である。モンテカルロ法にインスパイアされ、中間ブリッジ分布の無限連続体を介して2つの分布の間を滑らかに補間する。提案手法は,複雑な高次元データセット上での相互情報推定やエネルギーベースモデリングなどの下流タスクにおいて良好に動作することを示す。
論文参考訳（メタデータ） (2021-11-22T06:26:29Z)
Understanding Entropic Regularization in GANs [5.448283690603358]
We study the influence of regularization on the learned solution of Wasserstein distance。エントロピー正則化は解のスパース化を促進するが、ワッサーシュタイン距離をシンクホルン発散に置き換えると、非正規化解が回復する。これらの正則化手法は,大規模な分布に対して経験的データから学習したジェネレータの品質を向上させることができると結論付けている。
論文参考訳（メタデータ） (2021-11-02T06:08:16Z)
Plugin Estimation of Smooth Optimal Transport Maps [25.23336043463205]
2つの分布間の最適輸送マップに対する多くの自然推定器が極小最適であることを示す。我々の研究は、二次ワッサーシュタイン距離に対する対応するプラグイン推定子のリスクに関する新しい境界を提供する。
論文参考訳（メタデータ） (2021-07-26T17:58:48Z)
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)
Two-sample Test using Projected Wasserstein Distance [18.46110328123008]
統計学と機械学習の基本的な問題である2サンプルテストのための予測されたワッサースタイン距離を開発する。重要な貢献は、投影された確率分布の間のワッサーシュタイン距離を最大化する低次元線型写像を見つけるために最適射影を結合することである。
論文参考訳（メタデータ） (2020-10-22T18:08:58Z)
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)
Linear Optimal Transport Embedding: Provable Wasserstein classification for certain rigid transformations and perturbations [79.23797234241471]
分布の区別は多くの科学分野において重要な問題である。線形最適輸送(LOT)は分布の空間を$L2$-スペースに埋め込む。複数の分布分類問題に対するLOTの利点を実証する。
論文参考訳（メタデータ） (2020-08-20T19:09:33Z)
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)
$\gamma$-ABC: Outlier-Robust Approximate Bayesian Computation Based on a Robust Divergence Estimator [95.71091446753414]
最寄りの$gamma$-divergence推定器をデータ差分尺度として用いることを提案する。本手法は既存の不一致対策よりも高いロバスト性を実現する。
論文参考訳（メタデータ） (2020-06-13T06:09:27Z)

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。