論文の概要: Earth Movers in The Big Data Era: A Review of Optimal Transport in Machine Learning

• arxiv url: http://arxiv.org/abs/2305.05080v1
• Date: Mon, 8 May 2023 22:43:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-10 14:23:24.460420
• Title: Earth Movers in The Big Data Era: A Review of Optimal Transport in Machine Learning
• Title（参考訳）: ビッグデータ時代の地球移動 : 機械学習における最適輸送の展望
• Authors: Abdelwahed Khamis, Russell Tsuchida, Mohamed Tarek, Vivien Rolland, Lars Petersson
• Abstract要約: 本稿では,機械学習における最適な輸送方法について述べる。 まず、最適な輸送背景を説明し、異なるフレーバー(数学的定式化)、特性、特筆すべき応用を紹介する。 次に、大規模・高次元データの現在の要求に対応するために最適な輸送をスケールする方法に関する根本的な問題に対処する。
• 参考スコア（独自算出の注目度）: 14.295558450631411
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Optimal Transport (OT) is a mathematical framework that first emerged in the eighteenth century and has led to a plethora of methods for answering many theoretical and applied questions. The last decade is a witness of the remarkable contributions of this classical optimization problem to machine learning. This paper is about where and how optimal transport is used in machine learning with a focus on the question of salable optimal transport. We provide a comprehensive survey of optimal transport while ensuring an accessible presentation as permitted by the nature of the topic and the context. First, we explain optimal transport background and introduce different flavors (i.e. mathematical formulations), properties, and notable applications. We then address the fundamental question of how to scale optimal transport to cope with the current demands of big and high dimensional data. We conduct a systematic analysis of the methods used in the literature for scaling OT and present the findings in a unified taxonomy. We conclude with presenting some open challenges and discussing potential future research directions. A live repository of related OT research papers is maintained in https://github.com/abdelwahed/OT_for_big_data.git.
• Abstract（参考訳）: 最適輸送(OT)は18世紀に初めて登場した数学の枠組みであり、多くの理論的および応用された問題に答える多くの方法を生み出している。 この10年は、この古典的な最適化問題の機械学習への顕著な貢献を目撃している。 本稿では、最適輸送が機械学習でどのように使われているかについて、有償の最適輸送の問題に焦点をあてる。 本研究は,トピックの性質と文脈によって許容されるアクセス可能なプレゼンテーションを確保しつつ,最適なトランスポートの総合的な調査を行う。 まず、最適な輸送背景を説明し、異なるフレーバー(数学的定式化)、特性、注目すべき応用を紹介する。 次に、大規模・高次元データの現在の要求に対応するために最適な輸送をスケールする方法に関する根本的な問題に対処する。 本研究は, OTのスケーリングにおける文献的手法の体系的解析を行い, 統一分類学にその知見を提示する。 オープンな課題を提示し、今後の研究方向性について議論する。 関連するOT研究論文のライブリポジトリはhttps://github.com/abdelwahed/OT_for_big_data.gitで維持されている。

関連論文リスト

• Rethinking Optimal Transport in Offline Reinforcement Learning [64.56896902186126]
  オフラインの強化学習では、データはさまざまな専門家によって提供され、一部は準最適である。 効率的なポリシを抽出するには、データセットから最高の振る舞いを強調する必要がある。 本稿では,各状態に対する最善の専門家行動の公平な分布に状態をマッピングするポリシーを見つけることを目的としたアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-17T22:36:43Z)
• Active Exploration via Experiment Design in Markov Chains [86.41407938210193]
  科学と工学における重要な課題は、未知の量の興味について学ぶために実験を設計することである。 本稿では,最適値に収束したポリシを効率的に選択するアルゴリズムを提案する。 理論分析に加えて,生態モニタリングと薬理学の応用に関する枠組みを概説する。
  論文  参考訳（メタデータ） (2022-06-29T00:04:40Z)
• Inductive Semi-supervised Learning Through Optimal Transport [0.0]
  提案手法は最適輸送誘導 (OTI) と呼ばれ, 最適輸送に基づく帰納的アルゴリズム (OTP) を効率よく帰納的タスクに拡張する。 提案手法と最先端手法を比較するために,いくつかのデータセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2021-12-14T09:52:01Z)
• A Survey on Optimal Transport for Machine Learning: Theory and Applications [1.1279808969568252]
  最適輸送(OT)理論はコンピュータ科学コミュニティから注目を集めている。 本稿では,簡単な紹介と歴史,先行研究の紹介,今後の研究の方向性について述べる。
  論文  参考訳（メタデータ） (2021-06-03T16:10:42Z)
• 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)
• A contribution to Optimal Transport on incomparable spaces [4.873362301533825]
  この論文は、異なるデータが非可換空間に属する複雑なシナリオを研究することを提案する。 この論文は、これらの異なるケースに対して最適なトランスポートツールセットを提案する。
  論文  参考訳（メタデータ） (2020-11-09T14:13:52Z)
• MinMax Methods for Optimal Transport and Beyond: Regularization, Approximation and Numerics [6.09170287691728]
  理論的には、大きな問題のクラスを単一のMinMaxフレームワークに適合させることに重点を置いている。 このような問題を解決するために,正規化技術はニューラルネットワークの利用を正当化することを示す。
  論文  参考訳（メタデータ） (2020-10-22T07:43:51Z)
• A Survey on Large-scale Machine Learning [67.6997613600942]
  機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。 ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。 大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
  論文  参考訳（メタデータ） (2020-08-10T06:07:52Z)
• A Review on Modern Computational Optimal Transport Methods with Applications in Biomedical Research [9.658739280513158]
  本稿では,正規化に基づく手法と投影に基づく手法に着目した,最先端の計算最適輸送手法を提案する。 バイオメディカル研究における実世界の応用について論じる。
  論文  参考訳（メタデータ） (2020-08-07T05:33:54Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)
• 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。