論文の概要: A deep learning framework for geodesics under spherical
Wasserstein-Fisher-Rao metric and its application for weighted sample
generation
- arxiv url: http://arxiv.org/abs/2208.12145v1
- Date: Thu, 25 Aug 2022 15:05:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-26 14:06:47.457441
- Title: A deep learning framework for geodesics under spherical
Wasserstein-Fisher-Rao metric and its application for weighted sample
generation
- Title(参考訳): 球状ワッサーシュタイン-フィッシャー-ラオ計量に基づく測地学の深層学習フレームワークとその加重サンプル生成への応用
- Authors: Yang Jing, Jiaheng Chen, Lei Li, Jianfeng Lu
- Abstract要約: 球面WFR測度に基づく測地学の深層学習フレームワークを開発した。
我々のフレームワークは、加重サンプルを持つアプリケーション、特にベイズ推定において有用である。
- 参考スコア(独自算出の注目度): 15.041219429663968
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Wasserstein-Fisher-Rao (WFR) distance is a family of metrics to gauge the
discrepancy of two Radon measures, which takes into account both transportation
and weight change. Spherical WFR distance is a projected version of WFR
distance for probability measures so that the space of Radon measures equipped
with WFR can be viewed as metric cone over the space of probability measures
with spherical WFR. Compared to the case for Wasserstein distance, the
understanding of geodesics under the spherical WFR is less clear and still an
ongoing research focus. In this paper, we develop a deep learning framework to
compute the geodesics under the spherical WFR metric, and the learned geodesics
can be adopted to generate weighted samples. Our approach is based on a
Benamou-Brenier type dynamic formulation for spherical WFR. To overcome the
difficulty in enforcing the boundary constraint brought by the weight change, a
Kullback-Leibler (KL) divergence term based on the inverse map is introduced
into the cost function. Moreover, a new regularization term using the particle
velocity is introduced as a substitute for the Hamilton-Jacobi equation for the
potential in dynamic formula. When used for sample generation, our framework
can be beneficial for applications with given weighted samples, especially in
the Bayesian inference, compared to sample generation with previous flow
models.
- Abstract(参考訳): wasserstein-fisher-rao距離(wasserstein-fisher-rao distance、wfr)は、2つのラドン測度の差を測定するための指標である。
球状WFR距離(英: Spherical WFR distance)は、WFRを備えたラドン測度の空間を、球状WFRを持つ確率測度の空間上の計量円錐と見なせるように、確率測度のWFR距離の投影版である。
ワッサーシュタイン距離と比較して、球状WFRの下での測地学の理解は明確ではなく、現在も研究の焦点となっている。
本稿では,球面wfr計量の下で測地線を計算するための深層学習フレームワークを開発し,重みづけられたサンプルを生成するために学習測地線を適用できる。
本手法は, 球面WFRのベナモ・ブレニエ型動的定式化に基づく。
重量変化に伴う境界制約を強制することの難しさを克服するために、逆写像に基づくクルバック・リーブラ(KL)発散項をコスト関数に導入する。
さらに, 粒子速度を用いた新しい正則化項を, 動的公式のポテンシャルに対するハミルトン・ヤコビ方程式の代用として導入した。
サンプル生成に使用する場合,本フレームワークは,従来のフローモデルを用いたサンプル生成と比較して,特にベイズ推定における重み付きサンプルの応用に有用である。
関連論文リスト
- Stereographic Spherical Sliced Wasserstein Distances [10.087219596552314]
立体射影と一般化ラドン変換を用いて球面測度を比較するための高速かつ並列化可能な距離を導入する。
本稿では,提案手法の性能評価を行い,速度と精度の両面で最近の基準値と比較する。
論文 参考訳(メタデータ) (2024-02-04T05:03:06Z) - Diffeomorphic Deformation via Sliced Wasserstein Distance Optimization
for Cortical Surface Reconstruction [43.160141829169]
この計量は、セットベースのアプローチを一般化する確率測度として表されるメッシュ上のワッサーシュタイン距離をスライスして定義される。
我々は、入力表面をターゲット形状に変形させるために、ニューラルネットワークの常微分方程式(ODE)を用いて、表面上の点の軌跡をモデル化する。
大脳皮質表面の再構成実験は、複数のデータセットやメトリクスにおいて、我々のアプローチが他の競合する手法を上回ることを示した。
論文 参考訳(メタデータ) (2023-05-27T19:10:19Z) - Short and Straight: Geodesics on Differentiable Manifolds [6.85316573653194]
本研究では,測地線長を最小化するための既存の手法をまず解析する。
次に,連続多様体上の距離場と測地流のモデルに基づくパラメータ化を提案する。
第3に,Ricciスカラーのより大きい値を示す多様体の領域において,曲率に基づくトレーニング機構,サンプリングおよびスケーリングポイントを開発する。
論文 参考訳(メタデータ) (2023-05-24T15:09:41Z) - Finding NEEMo: Geometric Fitting using Neural Estimation of the Energy
Mover's Distance [0.0]
モデルのリプシッツ定数の正確な上界を強制する新しいニューラルアーキテクチャが最近開発された。
最適な輸送におけるワッサーシュタイン計量(アース・モーバー距離)を推定する。
具体的には、高エネルギー粒子物理学の分野に焦点をあて、ワッサーシュタイン計量に基づいて粒子衝突事象の空間の計量を定義することが示されている。
論文 参考訳(メタデータ) (2022-09-30T17:54:09Z) - Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。
一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
論文 参考訳(メタデータ) (2022-02-23T06:11:49Z) - Sparse Generalized Yule-Walker Estimation for Large Spatio-temporal
Autoregressions with an Application to NO2 Satellite Data [0.0]
高次元モデルのクラスをスパース推定する。
我々は,ユル=ヴァルカー方程式の集合をペナルティ化することにより,空間的および時間的依存を完全駆動的に支配する関係を推定する。
衛星シミュレーションは、競合する手順と比較して強い有限サンプル性能を示す。
論文 参考訳(メタデータ) (2021-08-05T21:51:45Z) - Physics-Informed Machine Learning Method for Large-Scale Data
Assimilation Problems [48.7576911714538]
我々は,未知のフラックス (Neumann) と様々なヘッド (Dirichlet) 境界条件を持つ地下流れをモデル化するための物理インフォームド条件付きKarhunen-Lo'eve展開法(PICKLE)を拡張した。
PICKLE法はMAP法と精度が比較できるが,大規模問題ではMAP法よりもはるかに高速であることを示す。
論文 参考訳(メタデータ) (2021-07-30T18:43:14Z) - A Unifying and Canonical Description of Measure-Preserving Diffusions [60.59592461429012]
ユークリッド空間における測度保存拡散の完全なレシピは、最近、いくつかのMCMCアルゴリズムを単一のフレームワークに統合した。
我々は、この構成を任意の多様体に改善し一般化する幾何学理論を開発する。
論文 参考訳(メタデータ) (2021-05-06T17:36:55Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳(メタデータ) (2021-02-12T12:23:13Z) - 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) - 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)
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。