論文の概要: Rectified Flow: A Marginal Preserving Approach to Optimal Transport
- arxiv url: http://arxiv.org/abs/2209.14577v1
- Date: Thu, 29 Sep 2022 06:37:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-30 16:27:31.611869
- Title: Rectified Flow: A Marginal Preserving Approach to Optimal Transport
- Title(参考訳): 整流流: 最適輸送のためのMarginal Preserving Approach
- Authors: Qiang Liu
- Abstract要約: 本稿では,2つの連続分布間の最適輸送(OT)問題に対するフローベースアプローチを提案する。
我々の手法は、ニューラル常微分方程式(ODE)の列を反復的に構築する。
これにより単調な内部アプローチが得られ、有効な結合の集合内を横切り、輸送コストを減少させる。
- 参考スコア(独自算出の注目度): 8.19277339277905
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a flow-based approach to the optimal transport (OT) problem
between two continuous distributions $\pi_0,\pi_1$ on $\mathbb{R}^d$, of
minimizing a transport cost $\mathbb{E}[c(X_1-X_0)]$ in the set of couplings
$(X_0,X_1)$ whose marginal distributions on $X_0,X_1$ equals $\pi_0,\pi_1$,
respectively, where $c$ is a cost function. Our method iteratively constructs a
sequence of neural ordinary differentiable equations (ODE), each learned by
solving a simple unconstrained regression problem, which monotonically reduce
the transport cost while automatically preserving the marginal constraints.
This yields a monotonic interior approach that traverses inside the set of
valid couplings to decrease the transport cost, which distinguishes itself from
most existing approaches that enforce the coupling constraints from the
outside. The main idea of the method draws from rectified flow, a recent
approach that simultaneously decreases the whole family of transport costs
induced by convex functions $c$ (and is hence multi-objective in nature), but
is not tailored to minimize a specific transport cost. Our method is a
single-object variant of rectified flow that guarantees to solve the OT problem
for a fixed, user-specified convex cost function $c$.
- Abstract(参考訳): 我々は,2つの連続分布の最適輸送(ot)問題に対するフローベースのアプローチを提案する。$\pi_0,\pi_1$ on $\mathbb{r}^d$, 輸送コスト最小化$\mathbb{e}[c(x_1-x_0)]$ 結合の組$(x_0,x_1)$ それぞれ$x_0,x_1$ が$\pi_0,\pi_1$ であり,$c$ はコスト関数である。
本手法は,単純な非拘束回帰問題の解法によって学習される神経常微分方程式(ode)の列を反復的に構成し,限界制約を自動保存しながら単調に輸送コストを削減する。
これにより、有効な結合の集合内を移動して輸送コストを減少させる単調な内部アプローチが得られ、外部からの結合制約を強制する既存のアプローチと区別される。
この手法の主な考え方は、凸関数 $c$ によって引き起こされる輸送コストのファミリー全体を同時に削減する最近のアプローチである整流フロー(recurtified flow)から来ているが、特定の輸送コストを最小化するために調整されていない。
提案手法は,固定されたユーザ指定凸コスト関数$c$に対するOT問題の解決を保証する,整流の単一対象変種である。
関連論文リスト
- Fast and scalable Wasserstein-1 neural optimal transport solver for single-cell perturbation prediction [55.89763969583124]
最適輸送理論はそのような写像を構築するための原則化された枠組みを提供する。
本稿では,Wasserstein-1に基づく新しい最適輸送解法を提案する。
実験により,提案した解法は,2次元データセット上に一意かつ単調な写像を求める際に,$W$ OTソルバを模倣できることを示した。
論文 参考訳(メタデータ) (2024-11-01T14:23:19Z) - Nearly Minimax Optimal Regret for Learning Linear Mixture Stochastic
Shortest Path [80.60592344361073]
線形混合遷移カーネルを用いた最短経路(SSP)問題について検討する。
エージェントは繰り返し環境と対話し、累積コストを最小化しながら特定の目標状態に到達する。
既存の作業は、イテレーションコスト関数の厳密な下限や、最適ポリシーに対する期待長の上限を仮定することが多い。
論文 参考訳(メタデータ) (2024-02-14T07:52:00Z) - Normalizing flows as approximations of optimal transport maps via linear-control neural ODEs [49.1574468325115]
ニューマライズフロー」は、深層ニューラルネットワークを用いて確率測度間の可逆輸送マップを構築するタスクに関連している。
我々は、絶対連続測度$mu,nuinmathcalP(mathbbRn)$間の$Wamma$-optimal transport map $T$を線形制御ニューラルネットワークのフローとして回収する問題を考える。
論文 参考訳(メタデータ) (2023-11-02T17:17:03Z) - Projected Langevin dynamics and a gradient flow for entropic optimal
transport [0.8057006406834466]
エントロピー規則化された最適輸送からサンプリングした類似拡散力学を導入する。
部分多様体 $Pi(mu,nu)$ の誘導されたワッサーシュタイン幾何学の研究により、SDE はこの結合空間上のワッサーシュタイン勾配フローとみなすことができると論じる。
論文 参考訳(メタデータ) (2023-09-15T17:55:56Z) - Policy Gradient Optimal Correlation Search for Variance Reduction in
Monte Carlo simulation and Maximum Optimal Transport [0.0]
我々は、ある微分方程式の解として$f(X_T)$を推定し、$f$がテスト関数であるときに、分散還元のための新しいアルゴリズムを提案する。
新しい推定器は$(f(XT) + f(X2_T))/2$であり、ここでは$X1$と$X2$は$X2$と同じ限界法則を持つが、分散を減らすために経路的に相関している。
論文 参考訳(メタデータ) (2023-07-24T11:37:02Z) - First-order methods for Stochastic Variational Inequality problems with Function Constraints [3.922842284927803]
本稿では,機能制約付き変分不等式(FCVI)問題に対して,スムーズあるいは非スムーズな設定で新しい一階法を提案する。
全てのアルゴリズムは、同じ複雑性を保ちながら、主変数と双変数を結合する関数制約を持つサドル点問題に容易に拡張できる。
論文 参考訳(メタデータ) (2023-04-10T17:07:55Z) - Adaptive Stochastic Variance Reduction for Non-convex Finite-Sum
Minimization [52.25843977506935]
有限サム構造をもつ$L$-smooth, non-deuction関数に対して, AdaSpider と呼ばれる適応分散法を提案する。
そうすることで、$tildeOleft + st/epsilonコールで$epsilon-stationaryポイントを計算することができます。
論文 参考訳(メタデータ) (2022-11-03T14:41:46Z) - Extra-Newton: A First Approach to Noise-Adaptive Accelerated
Second-Order Methods [57.050204432302195]
本研究では,2次スムーズな凸関数を最小化するための普遍的かつ適応的な2次法を提案する。
我々のアルゴリズムは、オラクルフィードバックが分散$sigma2$であるときに$O(sigma / sqrtT)$収束を達成し、決定論的オラクルで$O(1 / T3)$に収束を改善する。
論文 参考訳(メタデータ) (2022-11-03T14:12:51Z) - 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) - Efficient algorithms for multivariate shape-constrained convex
regression problems [9.281671380673306]
最小二乗推定器は、制約付き凸プログラミング(QP)問題を$(n+1)d$変数と少なくとも$n(n-1)$線形不等式制約で解くことで計算可能であることを証明している。
一般に非常に大規模な凸QPを解くために、我々は2つの効率的なアルゴリズムを設計する。1つは対称ガウス・シーデルに基づく乗算器の交互方向法(tt sGS-ADMM)であり、もう1つは半滑らかニュートン法(tt)によって解かれる部分プロブレムを持つ近似拡張ラグランジアン法(tt pALM)である。
論文 参考訳(メタデータ) (2020-02-26T11:18:43Z) - New Bounds For Distributed Mean Estimation and Variance Reduction [25.815612182815702]
本稿では,ローカルな$d$-dimensional vector $x_v を mathbbRd$ で与えられた$n$マシンが分散平均推定(DME)問題を考える。
提案手法は, 従来の手法と比較して, 応用の実践的改善をもたらすことを示す。
論文 参考訳(メタデータ) (2020-02-21T13:27:13Z)
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。