論文の概要: On amortizing convex conjugates for optimal transport
- arxiv url: http://arxiv.org/abs/2210.12153v1
- Date: Fri, 21 Oct 2022 17:59:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-24 13:24:42.365135
- Title: On amortizing convex conjugates for optimal transport
- Title(参考訳): 最適輸送のための不定形凸共役について
- Authors: Brandon Amos
- Abstract要約: 本稿では,ユークリッド型ワッサーシュタイン2の最適輸送問題を解く際に生じる凸共役演算の計算に焦点をあてる。
微調整のための解法と共役器に補正近似を組み合わせれば計算が簡単であることを示す。
- 参考スコア(独自算出の注目度): 13.60842910539914
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper focuses on computing the convex conjugate operation that arises
when solving Euclidean Wasserstein-2 optimal transport problems. This
conjugation, which is also referred to as the Legendre-Fenchel conjugate or
$c$-transform, is considered difficult to compute and in practice,
Wasserstein-2 methods are limited by not being able to exactly conjugate the
dual potentials in continuous space. I show that combining amortized
approximations to the conjugate with a solver for fine-tuning is
computationally easy. This combination significantly improves the quality of
transport maps learned for the Wasserstein-2 benchmark by Korotin et al. (2021)
and is able to model many 2-dimensional couplings and flows considered in the
literature. All of the baselines, methods, and solvers in this paper are
available at http://github.com/facebookresearch/w2ot
- Abstract(参考訳): 本稿では,ユークリッド型ワッサーシュタイン2の最適輸送問題を解く際に生じる凸共役演算の計算に着目する。
この共役はルジャンドル・フェンシェル共役 (legendre-fenchel conjugate) や $c$-transform とも呼ばれ、計算が難しく、実際には、連続空間における双対ポテンシャルを正確に共役化できないため、ワッサースタイン-2法は制限される。
微調整のための解法を共役器と組み合わせることが計算上容易であることを示す。
この組み合わせは、korotin et al. (2021)によるwasserstein-2ベンチマークで学んだ輸送マップの品質を大幅に改善し、文献で考慮された多くの2次元結合と流れをモデル化することができる。
この論文のすべてのベースライン、メソッド、およびソルバはhttp://github.com/facebookresearch/w2otで入手できる。
関連論文リスト
- Combining Wasserstein-1 and Wasserstein-2 proximals: robust manifold learning via well-posed generative flows [6.799748192975493]
低次元多様体に支持された学習分布の連続時間生成フローを定式化する。
We show that the Wasserstein-1 proximal operator regularize $f$-divergences to be compareds。
また, ワッサーシュタイン2近似作用素は, 最適輸送コストを加算することにより, 生成フローの経路を正則化することを示した。
論文 参考訳(メタデータ) (2024-07-16T16:34:31Z) - Iterated Schrödinger bridge approximation to Wasserstein Gradient Flows [1.5561923713703105]
我々は、同じ辺を持つシュリンガー橋を連続的に計算するワッサーシュタイン勾配流の新しい離散化スキームを導入する。
提案手法には2つの利点がある: 1つはスコア関数の使用を回避し、もう1つはシンクホーンアルゴリズムを用いて粒子ベースの近似を行うことができる。
論文 参考訳(メタデータ) (2024-06-16T07:23:26Z) - Approximation Theory, Computing, and Deep Learning on the Wasserstein Space [0.5735035463793009]
有限標本から無限次元空間における近似関数の挑戦について検討する。
我々の特に焦点はワッサーシュタイン距離関数(英語版)(Wasserstein distance function)に集中しており、これは関連する例である。
数値的な実装では,ニューラルネットワークをベース関数として適切に設計し,基礎関数として機能する。
論文 参考訳(メタデータ) (2023-10-30T13:59:47Z) - Decentralized Riemannian Conjugate Gradient Method on the Stiefel
Manifold [59.73080197971106]
本稿では,最急降下法よりも高速に収束する一階共役最適化法を提案する。
これはスティーフェル多様体上の大域収束を達成することを目的としている。
論文 参考訳(メタデータ) (2023-08-21T08:02:16Z) - Measure transfer via stochastic slicing and matching [1.4594704809280983]
本稿では,スライシング・アンド・マッチ法によって定義される移動度と近似問題の反復的スキームについて検討する。
本論文の主な貢献はスライシング・アンド・マッチングスキームに対するほぼ確実な収束証明である。
論文 参考訳(メタデータ) (2023-07-11T18:12:30Z) - 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) - Lifting the Convex Conjugate in Lagrangian Relaxations: A Tractable
Approach for Continuous Markov Random Fields [53.31927549039624]
断片的な離散化は既存の離散化問題と矛盾しないことを示す。
この理論を2つの画像のマッチング問題に適用する。
論文 参考訳(メタデータ) (2021-07-13T12:31:06Z) - Do Neural Optimal Transport Solvers Work? A Continuous Wasserstein-2
Benchmark [133.46066694893318]
最適輸送のためのニューラルネットワークに基づく解法の性能を評価する。
既存の解法では,下流タスクでは良好に機能するにもかかわらず,最適な輸送マップを復元できないことがわかった。
論文 参考訳(メタデータ) (2021-06-03T15:59:28Z) - 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) - Joint Wasserstein Distribution Matching [89.86721884036021]
JDM問題(Joint Distribution matching)は、2つのドメインの関節分布を一致させるために双方向マッピングを学習することを目的としており、多くの機械学習およびコンピュータビジョンアプリケーションで発生している。
2つの領域における関節分布のワッサーシュタイン距離を最小化することにより、JDM問題に対処することを提案する。
そこで我々は,難解な問題を簡単な最適化問題に還元する重要な定理を提案し,その解法を開発した。
論文 参考訳(メタデータ) (2020-03-01T03:39:00Z)
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。