論文の概要: Semi-supervised Learning of Pushforwards For Domain Translation & Adaptation

• arxiv url: http://arxiv.org/abs/2304.08673v1
• Date: Tue, 18 Apr 2023 00:35:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-19 16:12:46.653585
• Title: Semi-supervised Learning of Pushforwards For Domain Translation & Adaptation
• Title（参考訳）: ドメイン翻訳と適応のためのプッシュフォワードの半教師付き学習
• Authors: Nishant Panda, Natalie Klein, Dominic Yang, Patrick Gasda and Diane Oyen
• Abstract要約: 関連するデータ空間に2つの確率密度が与えられると、1つの密度をもう1つの密度にプッシュする写像を求める。 広いアプリケーション領域にユーティリティを持つマップには、サンプル外のデータポイントに適用するためのマップが必要です。 本稿では,正規化フローを利用して地図をパラメータ化する新しいプッシュフォワードマップ学習アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 3.800498098285222
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Given two probability densities on related data spaces, we seek a map pushing one density to the other while satisfying application-dependent constraints. For maps to have utility in a broad application space (including domain translation, domain adaptation, and generative modeling), the map must be available to apply on out-of-sample data points and should correspond to a probabilistic model over the two spaces. Unfortunately, existing approaches, which are primarily based on optimal transport, do not address these needs. In this paper, we introduce a novel pushforward map learning algorithm that utilizes normalizing flows to parameterize the map. We first re-formulate the classical optimal transport problem to be map-focused and propose a learning algorithm to select from all possible maps under the constraint that the map minimizes a probability distance and application-specific regularizers; thus, our method can be seen as solving a modified optimal transport problem. Once the map is learned, it can be used to map samples from a source domain to a target domain. In addition, because the map is parameterized as a composition of normalizing flows, it models the empirical distributions over the two data spaces and allows both sampling and likelihood evaluation for both data sets. We compare our method (parOT) to related optimal transport approaches in the context of domain adaptation and domain translation on benchmark data sets. Finally, to illustrate the impact of our work on applied problems, we apply parOT to a real scientific application: spectral calibration for high-dimensional measurements from two vastly different environments
• Abstract（参考訳）: 関連するデータ空間に2つの確率密度が与えられた場合、アプリケーション依存の制約を満たすとともに、一方の密度を他方にプッシュする写像を求める。 広いアプリケーション空間(ドメイン翻訳、ドメイン適応、ジェネレーティブモデリングを含む)でユーティリティを持つためには、マップはサンプル外データポイントに適用できなければならず、2つの空間上の確率モデルに対応しなければならない。 残念ながら、主に最適な輸送に基づく既存のアプローチは、これらのニーズに対処しない。 本稿では,正規化フローを用いて地図のパラメータ化を行う新しいプッシュフォワードマップ学習アルゴリズムを提案する。 まず,地図に焦点をあてた古典的最適輸送問題を再定式化し,地図が確率距離とアプリケーション固有の正規化器を最小化する制約の下で可能なすべての地図から学習アルゴリズムを提案する。 一度マップが学習されると、ソースドメインからターゲットドメインへのサンプルのマッピングに使用できる。 さらに、マップは正規化フローの合成としてパラメータ化されているため、2つのデータ空間上の経験的分布をモデル化し、サンプリングと確率評価の両方を可能にする。 ベンチマークデータセット上でのドメイン適応とドメイン翻訳の文脈において、我々の手法(parOT)と関連する最適なトランスポートアプローチを比較した。 最後に、応用問題に対する我々の研究の影響を説明するために、parotを実際の科学的応用に適用する:2つの非常に異なる環境からの高次元計測のためのスペクトル校正

関連論文リスト

• Efficient Map Sparsification Based on 2D and 3D Discretized Grids [47.22997560184043]
  マップが大きくなると、より多くのメモリが必要になり、ローカライゼーションが非効率になる。 以前の地図スペーシフィケーション法は、選択されたランドマークの均一分布を強制するために混合整数計画において二次項を追加する。 本稿では,効率的な線形形式で地図スペーシフィケーションを定式化し,2次元離散格子に基づく一様分布ランドマークを選択する。
  論文  参考訳（メタデータ） (2023-03-20T05:49:14Z)
• Unpaired Image Super-Resolution with Optimal Transport Maps [128.1189695209663]
  実世界の画像超解像(SR)タスクは、しばしば、教師付き技術の適用を制限するペアデータセットを持っていない。 本稿では,非バイアスのOTマップを知覚輸送コストで学習する未ペアSRのアルゴリズムを提案する。 我々のアルゴリズムは、大規模無人AIM-19データセット上で、最先端のパフォーマンスをほぼ提供する。
  論文  参考訳（メタデータ） (2022-02-02T16:21:20Z)
• 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)
• Transformer-based Map Matching Model with Limited Ground-Truth Data using Transfer-Learning Approach [6.510061176722248]
  多くのトラジェクトリベースのアプリケーションでは、生のGPSトラジェクトリをデジタルマップの道路網にマッピングする必要がある。 本稿では,データの観点から地図マッチングの課題を考察し,深層学習に基づく地図マッチングモデルを提案する。 合成軌道データを生成し,トランスフォーマーモデルを事前学習し,有限個の接地トラスデータでモデルを微調整する。
  論文  参考訳（メタデータ） (2021-08-01T11:51:11Z)
• Scalable Computation of Monge Maps with General Costs [12.273462158073302]
  モンジュマップ(Monge map)は、2つの確率分布の間の最適な輸送マップを指す。 本稿では,2つの確率分布間のMongeマップをスケーラブルに計算するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-06-07T17:23:24Z)
• ICON: Learning Regular Maps Through Inverse Consistency [19.27928605302463]
  画像登録の計算など空間変換の正則性をもたらすものについて検討する。 深いネットワークと逆整合損失とランダム化されたオフグリッド収量は、ほぼ微分同相の空間変換でよく振る舞う。 このアプローチの単純さにもかかわらず、実験は合成データと実データの両方において、明示的な正規化子と競合的な登録性能を慎重に調整せずに正規写像を得ることができるという説得力のある証拠を示している。
  論文  参考訳（メタデータ） (2021-05-10T15:52:12Z)
• Making Affine Correspondences Work in Camera Geometry Computation [62.7633180470428]
  局所的な特徴は、ポイント・ツー・ポイント対応ではなく、リージョン・ツー・リージョンを提供する。 本稿では,全モデル推定パイプラインにおいて,地域間マッチングを効果的に活用するためのガイドラインを提案する。 実験により、アフィンソルバはより高速な実行時にポイントベースソルバに匹敵する精度を達成できることが示された。
  論文  参考訳（メタデータ） (2020-07-20T12:07:48Z)
• Learning to Match Distributions for Domain Adaptation [116.14838935146004]
  本稿では,ドメイン間分布マッチングを自動的に学習する学習 to Match (L2M)を提案する。 L2Mは、メタネットワークを用いてデータ駆動方式で分布整合損失を学習することにより、誘導バイアスを低減する。 公開データセットの実験は、SOTA法よりもL2Mの方が優れていることを裏付けている。
  論文  参考訳（メタデータ） (2020-07-17T03:26:13Z)
• Rethinking Localization Map: Towards Accurate Object Perception with Self-Enhancement Maps [78.2581910688094]
  本研究は, カテゴリーラベルのみを監督として, 正確な対象位置分布マップと対象境界を抽出する, 新たな自己強調手法を提案する。 特に、提案されたセルフエンハンスメントマップは、ILSVRC上で54.88%の最先端のローカライゼーション精度を達成する。
  論文  参考訳（メタデータ） (2020-06-09T12:35:55Z)

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。