論文の概要: Sliced Optimal Partial Transport
- arxiv url: http://arxiv.org/abs/2212.08049v9
- Date: Mon, 7 Aug 2023 17:09:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-09 00:28:16.296386
- Title: Sliced Optimal Partial Transport
- Title（参考訳）: スライス最適部分輸送
- Authors: Yikun Bai and Berhnard Schmitzer and Mathew Thorpe and Soheil Kolouri
- Abstract要約: 1次元の2つの非負測度間の最適部分輸送問題を計算するための効率的なアルゴリズムを提案する。
種々の数値実験において,スライス OPT 方式の計算と精度の利点を実証した。
- 参考スコア（独自算出の注目度）: 13.595857406165292
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Optimal transport (OT) has become exceedingly popular in machine learning,
data science, and computer vision. The core assumption in the OT problem is the
equal total amount of mass in source and target measures, which limits its
application. Optimal Partial Transport (OPT) is a recently proposed solution to
this limitation. Similar to the OT problem, the computation of OPT relies on
solving a linear programming problem (often in high dimensions), which can
become computationally prohibitive. In this paper, we propose an efficient
algorithm for calculating the OPT problem between two non-negative measures in
one dimension. Next, following the idea of sliced OT distances, we utilize
slicing to define the sliced OPT distance. Finally, we demonstrate the
computational and accuracy benefits of the sliced OPT-based method in various
numerical experiments. In particular, we show an application of our proposed
Sliced-OPT in noisy point cloud registration.
- Abstract（参考訳）: 最適な輸送(ot)は、機械学習、データサイエンス、コンピュータビジョンにおいて非常に人気がある。
OT問題における中核的な仮定は、ソースおよびターゲット測度における質量の等しい総量であり、その応用を制限する。
最適部分輸送(OPT)はこの制限に対する最近提案された解決策である。
OT問題と同様に、OPTの計算は線形プログラミング問題(しばしば高次元)の解法に依存しており、計算的に禁止される。
本稿では,2つの非負測度間のオプト問題を1次元で計算する効率的なアルゴリズムを提案する。
次に、スライスされたOT距離のアイデアに従い、スライスされたOPT距離を定義するためにスライスを利用する。
最後に、様々な数値実験において、スライスされたOPT法による計算と精度の利点を示す。
特に,提案するスライテッドOPTのノイズ点クラウド登録への応用について述べる。
関連論文リスト
- Anchor Space Optimal Transport: Accelerating Batch Processing of
Multiple OT Problems [13.846014191157405]
本稿では、アンカー空間最適輸送(ASOT)問題として指定された翻訳OT問題を提案する。
提案したASOT問題に対しては、分布を共有アンカー点空間にマッピングし、潜在的な共通特性を学習する。
提案したASOTに基づいて、元のOT問題に対するワッサーシュタイン距離誤差は、地価誤差によって有界であることが証明された。
論文 参考訳（メタデータ） (2023-10-24T18:55:12Z) - A Specialized Semismooth Newton Method for Kernel-Based Optimal
Transport [92.96250725599958]
カーネルベース最適輸送(OT)推定器は、サンプルからOT問題に対処するための代替的機能的推定手順を提供する。
SSN法は, 標準正規性条件下でのグローバル収束率$O (1/sqrtk)$, 局所二次収束率を達成できることを示す。
論文 参考訳（メタデータ） (2023-10-21T18:48:45Z) - Linear Optimal Partial Transport Embedding [8.23887869467319]
最適トランスポート(OT)は、機械学習、統計処理、信号処理など様々な分野で応用されている。
我々は,OTおよびHK上の(局所的な)線形化手法をOPT問題に拡張したリニア部分輸送(LOPT)埋め込みを提案する。
論文 参考訳（メタデータ） (2023-02-07T03:28:56Z) - Entropic Neural Optimal Transport via Diffusion Processes [105.34822201378763]
本稿では,連続確率分布間のエントロピー最適輸送(EOT)計画を計算するための新しいアルゴリズムを提案する。
提案アルゴリズムは,シュリンガーブリッジ問題(Schr"odinger Bridge problem)として知られるEOTの動的バージョンのサドル点再構成に基づく。
大規模EOTの従来の手法とは対照的に,我々のアルゴリズムはエンドツーエンドであり,単一の学習ステップで構成されている。
論文 参考訳（メタデータ） (2022-11-02T14:35:13Z) - Proximal Point Imitation Learning [48.50107891696562]
我々は、無限地平線模倣学習のための厳密な効率保証を備えた新しいアルゴリズムを開発した。
我々は、最適化、特に近点法(PPM)と双対平滑化から古典的ツールを活用する。
線形関数とニューラルネットワーク関数の近似の双方に対して、説得力のある経験的性能を実現する。
論文 参考訳（メタデータ） (2022-09-22T12:40:21Z) - Efficient estimates of optimal transport via low-dimensional embeddings [0.0]
最適輸送距離(OT)は、確率分布を比較する方法として機械学習の最近の研究で広く使われている。
Patyらによる最近の研究は、データの低ランクプロジェクションを使用してOTを計算することで、このコスト削減を特に目指している。
このアプローチを拡張し、1-Lipschitz であれば、より一般的な写像の族を用いることで、OT 距離を近似できることを示す。
論文 参考訳（メタデータ） (2021-11-08T21:22:51Z) - Unbalanced Optimal Transport through Non-negative Penalized Linear
Regression [9.668391961887027]
対応する最適化問題は、非負のペナル化線形回帰問題として再構成可能であることを示す。
逆問題と非負行列分解から着想を得た新しいアルゴリズムを提案する。
UOTの正規化経路を2次ペナルティで計算する効率的なアルゴリズムを初めて導いた。
論文 参考訳（メタデータ） (2021-06-08T07:16:37Z) - Waypoint Planning Networks [66.72790309889432]
本稿では,ローカルカーネル(A*のような古典的アルゴリズム)と学習アルゴリズムを用いたグローバルカーネルを用いたLSTMに基づくハイブリッドアルゴリズムを提案する。
我々は、WPNとA*を比較し、動き計画ネットワーク(MPNet)やバリューネットワーク(VIN)を含む関連する作業と比較する。
WPN の探索空間は A* よりもかなり小さいが、ほぼ最適な結果が得られることが示されている。
論文 参考訳（メタデータ） (2021-05-01T18:02:01Z) - Bayesian Algorithm Execution: Estimating Computable Properties of
Black-box Functions Using Mutual Information [78.78486761923855]
多くの現実世界では、T関数の評価の予算を考えると、高価なブラックボックス関数 f の性質を推測したい。
本稿では,アルゴリズムの出力に対して相互情報を最大化するクエリを逐次選択する手法InfoBAXを提案する。
これらの問題に対してInfoBAXは、元のアルゴリズムで要求されるより500倍少ないクエリをfに使用する。
論文 参考訳（メタデータ） (2021-04-19T17:22:11Z) - Improving Approximate Optimal Transport Distances using Quantization [23.319746583489763]
最適な輸送は、確率測度を幾何学的に比較する機械学習の一般的なツールである。
OTの線形プログラミングアルゴリズムは入力の規模を3倍にスケールし、大局的にOTを非現実的にする。
安価なサンプルアクセスで測定値間のOT距離を推定するために, 量子化ステップを用いた実用的アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-02-25T08:45:06Z) - Feature Robust Optimal Transport for High-dimensional Data [125.04654605998618]
本研究では,高次元データに対する特徴量ロバスト最適輸送(FROT)を提案する。
実世界の意味対応データセットにおいて,FROTアルゴリズムが最先端の性能を実現することを示す。
論文 参考訳（メタデータ） (2020-05-25T14:07:16Z)
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。