論文の概要: Shedding a PAC-Bayesian Light on Adaptive Sliced-Wasserstein Distances
- arxiv url: http://arxiv.org/abs/2206.03230v3
- Date: Wed, 31 May 2023 14:32:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-01 23:37:21.141714
- Title: Shedding a PAC-Bayesian Light on Adaptive Sliced-Wasserstein Distances
- Title(参考訳): 適応スライスワッサーシュタイン距離へのPAC-ベイズ光の被覆
- Authors: Ruben Ohana, Kimia Nadjahi, Alain Rakotomamonjy, Liva Ralaivola
- Abstract要約: スライス・ワッサーシュタイン距離は理論上ワッサーシュタイン距離の代替となる。
我々は、PAC-ベイズ理論とSWが平均リスクと解釈されるという中心的な観察を利用する。
- 参考スコア(独自算出の注目度): 19.717598118374056
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Sliced-Wasserstein distance (SW) is a computationally efficient and
theoretically grounded alternative to the Wasserstein distance. Yet, the
literature on its statistical properties -- or, more accurately, its
generalization properties -- with respect to the distribution of slices, beyond
the uniform measure, is scarce. To bring new contributions to this line of
research, we leverage the PAC-Bayesian theory and a central observation that SW
may be interpreted as an average risk, the quantity PAC-Bayesian bounds have
been designed to characterize. We provide three types of results: i)
PAC-Bayesian generalization bounds that hold on what we refer as adaptive
Sliced-Wasserstein distances, i.e. SW defined with respect to arbitrary
distributions of slices (among which data-dependent distributions), ii) a
principled procedure to learn the distribution of slices that yields maximally
discriminative SW, by optimizing our theoretical bounds, and iii) empirical
illustrations of our theoretical findings.
- Abstract(参考訳): スライス・ワッセルシュタイン距離(sliced-wasserstein distance, sw)は、ワッセルシュタイン距離に代わる計算効率と理論上は接地された距離である。
しかし、その統計的性質(あるいはより正確には、その一般化特性)に関する文献は、一様測度を超えたスライス分布についてはほとんどない。
この研究に新たな貢献をもたらすために、我々はPAC-ベイジアン理論とSWを平均リスクとして解釈できるという中心的な観察を活用し、PAC-ベイジアン境界を特徴付けるように設計されている。
3種類の結果が得られます
一 適応スライス・ワッサーシュタイン距離(英: Adaptive Sliced-Wasserstein distances)、すなわちスライス(データ依存分布を含む)の任意の分布について定義されるSWを根拠とするPAC-ベイズ一般化境界
二 理論的境界を最適化することにより、最大差別的swを生じさせるスライスの分布を学習するための原理的手順
三 理論上の知見の実証的な例示
関連論文リスト
- A Likelihood Based Approach to Distribution Regression Using Conditional Deep Generative Models [6.647819824559201]
本研究では,条件付き深部生成モデルの推定のための可能性に基づくアプローチの大規模サンプル特性について検討する。
その結果,条件分布を推定するための最大極大推定器の収束率を導いた。
論文 参考訳(メタデータ) (2024-10-02T20:46:21Z) - 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) - 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$-divergencesに対する定数レートAISアルゴリズムとその効率的な実装を提案する。
論文 参考訳(メタデータ) (2023-06-27T08:15:28Z) - Optimal Scaling for Locally Balanced Proposals in Discrete Spaces [65.14092237705476]
離散空間におけるMetropolis-Hastings (M-H) アルゴリズムの効率は、対象分布に依存しない受容率によって特徴づけられることを示す。
最適受容率の知識は、連続空間におけるステップサイズ制御と直接的に類似して、離散空間における提案分布の近傍サイズを自動的に調整することを可能にする。
論文 参考訳(メタデータ) (2022-09-16T22:09:53Z) - Distribution Regression with Sliced Wasserstein Kernels [45.916342378789174]
分布回帰のための最初のOTに基づく推定器を提案する。
このような表現に基づくカーネルリッジ回帰推定器の理論的性質について検討する。
論文 参考訳(メタデータ) (2022-02-08T15:21:56Z) - Optimal 1-Wasserstein Distance for WGANs [2.1174215880331775]
有限標本とレジームの両方において、WGAN(Wasserstein GANs)を徹底的に解析する。
半離散状態における最適輸送理論の新たな結果を導出する。
論文 参考訳(メタデータ) (2022-01-08T13:04:03Z) - Distributional Sliced Embedding Discrepancy for Incomparable
Distributions [22.615156512223766]
Gromov-Wasserstein (GW) 距離は多様体学習とクロスドメイン学習の鍵となるツールである。
本稿では,分散スライシング,埋め込み,スライスされた分布間の閉形式ワッサーシュタイン距離の計算という2つの計算分布を比較する新しい手法を提案する。
論文 参考訳(メタデータ) (2021-06-04T15:11:30Z) - Implicit Distributional Reinforcement Learning [61.166030238490634]
2つのディープジェネレータネットワーク(DGN)上に構築された暗黙の分布型アクター批判(IDAC)
半単純アクター (SIA) は、フレキシブルなポリシー分布を利用する。
我々は,代表的OpenAI Gym環境において,IDACが最先端のアルゴリズムより優れていることを観察する。
論文 参考訳(メタデータ) (2020-07-13T02:52:18Z) - On Projection Robust Optimal Transport: Sample Complexity and Model
Misspecification [101.0377583883137]
射影ロバスト(PR)OTは、2つの測度の間のOTコストを最大化するために、射影可能な$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) - Projection Robust Wasserstein Distance and Riemannian Optimization [107.93250306339694]
プロジェクション・ソリッドスタイン(PRW)は、ワッサーシュタイン・プロジェクション(WPP)のロバストな変種であることを示す。
本稿では,PRW距離の計算への第一歩として,その理論と実データに関する実験の関連について述べる。
論文 参考訳(メタデータ) (2020-06-12T20:40:22Z)
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。