論文の概要: Supervised Training of Conditional Monge Maps
- arxiv url: http://arxiv.org/abs/2206.14262v1
- Date: Tue, 28 Jun 2022 19:34:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-30 20:25:01.747292
- Title: Supervised Training of Conditional Monge Maps
- Title（参考訳）: 条件付きモンジュマップの監督訓練
- Authors: Charlotte Bunne, Andreas Krause, Marco Cuturi
- Abstract要約: 本研究では,コンテキスト変数に条件付き最適輸送マップを推定するCondOTを提案する。
私たちのゴールは、ラベル付きペアのデータセット$(c_i, (mu_i, nu_i))$から%抽出することです。
本研究では,CondOTの遺伝的・治療的摂動の任意の組み合わせが単一細胞に与える影響を推測する能力を示す。
- 参考スコア（独自算出の注目度）: 107.78770597815242
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Optimal transport (OT) theory describes general principles to define and
select, among many possible choices, the most efficient way to map a
probability measure onto another. That theory has been mostly used to estimate,
given a pair of source and target probability measures $(\mu,\nu)$, a
parameterized map $T_\theta$ that can efficiently map $\mu$ onto $\nu$. In many
applications, such as predicting cell responses to treatments, the data
measures $\mu,\nu$ (features of untreated/treated cells) that define optimal
transport problems do not arise in isolation but are associated with a context
$c$ (the treatment). To account for and incorporate that context in OT
estimation, we introduce CondOT, an approach to estimate OT maps conditioned on
a context variable, using several pairs of measures $(\mu_i, \nu_i)$ tagged
with a context label $c_i$. Our goal is to % extract from a dataset of labeled
pairs $\{(c_i, (\mu_i, \nu_i))\}$ learn a global map $\mathcal{T}_{\theta}$
which is not only expected to fit em all pairs in the dataset $\{(c_i, (\mu_i,
\nu_i))\}$, i.e., $\mathcal{T}_{\theta}(c_i) \sharp\mu_i \approx \nu_i$, but
should generalize to produce meaningful maps
$\mathcal{T}_{\theta}(c_{\text{new}})$ conditioned on unseen contexts
$c_{\text{new}}$. Our approach harnesses and provides a novel usage for
partially input convex neural networks, for which we introduce a robust and
efficient initialization strategy inspired by Gaussian approximations. We
demonstrate the ability of CondOT to infer the effect of an arbitrary
combination of genetic or therapeutic perturbations on single cells, using only
observations of the effects of said perturbations separately.
- Abstract（参考訳）: 最適輸送(OT)理論は、多くの可能な選択の中から確率測度を他のものにマッピングする最も効率的な方法を定義し、選択する一般的な原理を記述している。
この理論は、ソースとターゲットの確率測度の組$(\mu,\nu)$を考えると、パラメータ化された写像 $t_\theta$ は、$\mu$ を$\nu$ に効率的にマッピングできる。
治療に対する細胞応答の予測のような多くの応用において、最適な輸送問題を定義するための$\mu,\nu$(未処理/処理細胞の特徴)は単独では発生せず、文脈$c$(治療)と関連づけられる。
OT推定にそのコンテキストを考慮し、組み込むために、コンテキストラベル$c_i$でタグ付けされた数組の測度$(\mu_i, \nu_i)$ taggedを用いて、コンテキスト変数に条件付きOTマップを推定するアプローチであるCondOTを導入する。
我々のゴールは、ラベル付きペアのデータセットから%抽出することである。 $\{(c_i, (\mu_i, \nu_i))\} グローバルマップの$\mathcal{T}_{\theta}$は、データセットの$\{(c_i, (\mu_i, \nu_i))\}$、すなわち$\mathcal{T}_{\theta}(c_i) \sharp\mu_i \approx \nu_i$であるが、意味のあるマップの$\mathcal{T}_{\theta}(c_{\text{new}})$条件付きである。
提案手法は,部分的に入力された凸ニューラルネットワークに対して,ガウス近似にインスパイアされた堅牢で効率的な初期化戦略を導入し,新しい用途を提供する。
本研究では,CondOTが単一細胞に対する遺伝的・治療的摂動の任意の組み合わせの効果を推測する能力を示した。
関連論文リスト
- The Monge Gap: A Regularizer to Learn All Transport Maps [34.81915836064636]
ブレニエの定理は、地価が二乗ユークリッド距離であるとき、$mathcalP(Rd)$で連続測度を変形させるベストの写像は凸函数の勾配でなければならないというものである。
数学的優雅さにもかかわらず、ICNNにOTマップを組み込むことは多くの課題を提起する。
我々は、OTマップを推定するアプローチを根本的に異なるアプローチで提案する。
論文 参考訳（メタデータ） (2023-02-09T21:56:11Z) - Monge, Bregman and Occam: Interpretable Optimal Transport in
High-Dimensions with Feature-Sparse Maps [37.45959537338404]
我々は、$tau$ のスパース性誘導ノルムを選択すると、Occam のカミソリを輸送に応用する写像が得られることを示した。
本稿では,高次元単細胞転写データに対して有意なマップを推定する手法について紹介する。
論文 参考訳（メタデータ） (2023-02-08T14:02:34Z) - Dynamic Ranking and Translation Synchronization [3.946250592943285]
本研究では, エン翻訳同期問題の動的設定への拡張について検討する。
そこで我々は,2つの推定器を提案し,その1つはスムーズネスの最小二乗法に基づくものであり,もう1つは適切な滑らかさ演算子の低周波固有空間への射影に基づくものである。
論文 参考訳（メタデータ） (2022-07-04T14:45:12Z) - Likelihood estimation of sparse topic distributions in topic models and
its applications to Wasserstein document distance calculations [3.679981089267181]
トピックモデルでは、$ptimes n$予測ワード頻度行列は$ptimes K$ワードトピック行列$A$として分解される。
A$の列は、すべてのドキュメントに共通する$p$の混合コンポーネントと見なされる。
A$が未知の場合、プラグインに対応する可能性関数を最適化して$T$を見積もる。
論文 参考訳（メタデータ） (2021-07-12T22:22:32Z) - Optimal Regret Algorithm for Pseudo-1d Bandit Convex Optimization [51.23789922123412]
我々は,バンディットフィードバックを用いてオンライン学習を学習する。
learnerは、コスト/リワード関数が"pseudo-1d"構造を許可するゼロ次オラクルのみにアクセスできる。
我々は、$T$がラウンドの数である任意のアルゴリズムの後悔のために$min(sqrtdT、T3/4)$の下限を示しています。
ランダム化オンライングラデーション下降とカーネル化指数重み法を組み合わせた新しいアルゴリズムsbcalgを提案し,疑似-1d構造を効果的に活用する。
論文 参考訳（メタデータ） (2021-02-15T08:16:51Z) - List-Decodable Mean Estimation in Nearly-PCA Time [50.79691056481693]
高次元におけるリストデコタブル平均推定の基本的な課題について検討する。
我々のアルゴリズムは、すべての$k = O(sqrtd) cup Omega(d)$に対して$widetildeO(ndk)$で実行されます。
我々のアルゴリズムの変種は、すべての$k$に対してランタイム$widetildeO(ndk)$を持ち、リカバリ保証の$O(sqrtlog k)$ Factorを犠牲にしている。
論文 参考訳（メタデータ） (2020-11-19T17:21:37Z) - Linear Time Sinkhorn Divergences using Positive Features [51.50788603386766]
エントロピー正則化で最適な輸送を解くには、ベクトルに繰り返し適用される$ntimes n$ kernel matrixを計算する必要がある。
代わりに、$c(x,y)=-logdotpvarphi(x)varphi(y)$ ここで$varphi$は、地上空間から正のorthant $RRr_+$への写像であり、$rll n$である。
論文 参考訳（メタデータ） (2020-06-12T10:21:40Z) - Adaptive exponential power distribution with moving estimator for
nonstationary time series [0.8702432681310399]
非定常時系列に対する最大可能性(ML)適応推定に着目する。
例えば、 $rho(x)propto exp(-|(x-mu)/sigma|kappa/kappa)$指数電力分布(EPD)。
DJIA企業の日次ログリターンシリーズでテストされており、標準(静的)推定よりも本質的にログリターンが優れている。
論文 参考訳（メタデータ） (2020-03-04T15:56:44Z) - Taking a hint: How to leverage loss predictors in contextual bandits? [63.546913998407405]
我々は,損失予測の助けを借りて,文脈的包帯における学習を研究する。
最適な後悔は$mathcalO(minsqrtT, sqrtmathcalETfrac13)$である。
論文 参考訳（メタデータ） (2020-03-04T07:36:38Z) - Agnostic Q-learning with Function Approximation in Deterministic
Systems: Tight Bounds on Approximation Error and Sample Complexity [94.37110094442136]
本稿では,決定論的システムにおける関数近似を用いたQ$学習の問題について検討する。
もし$delta = Oleft(rho/sqrtdim_Eright)$なら、$Oleft(dim_Eright)$を使って最適なポリシーを見つけることができる。
論文 参考訳（メタデータ） (2020-02-17T18:41:49Z)
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。