論文の概要: Computing high-dimensional optimal transport by flow neural networks

• arxiv url: http://arxiv.org/abs/2305.11857v5
• Date: Mon, 10 Mar 2025 22:23:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-12 15:40:08.871367
• Title: Computing high-dimensional optimal transport by flow neural networks
• Title（参考訳）: 流れニューラルネットによる高次元最適輸送の計算
• Authors: Chen Xu, Xiuyuan Cheng, Yao Xie,
• Abstract要約: 本研究は,フローモデルを最適化することにより,任意の2つの分布に対して$P$と$Q$の動的OTを計算することを提案する。 本手法は輸送コストを最小限に抑える非可逆流を見つけることによって動的OTを学習する。 提案モデルが高次元データに与える影響は,OTベースライン,画像から画像への変換,高次元DRE上での強い経験的性能によって実証される。
• 参考スコア（独自算出の注目度）: 19.859984725284896
• License:
• Abstract: Computing optimal transport (OT) for general high-dimensional data has been a long-standing challenge. Despite much progress, most of the efforts including neural network methods have been focused on the static formulation of the OT problem. The current work proposes to compute the dynamic OT between two arbitrary distributions $P$ and $Q$ by optimizing a flow model, where both distributions are only accessible via finite samples. Our method learns the dynamic OT by finding an invertible flow that minimizes the transport cost. The trained optimal transport flow subsequently allows for performing many downstream tasks, including infinitesimal density ratio estimation (DRE) and domain adaptation by interpolating distributions in the latent space. The effectiveness of the proposed model on high-dimensional data is demonstrated by strong empirical performance on OT baselines, image-to-image translation, and high-dimensional DRE.
• Abstract（参考訳）: 一般的な高次元データに対する最適輸送(OT)の計算は、長年にわたる課題であった。 多くの進歩にもかかわらず、ニューラルネットワーク手法を含むほとんどの取り組みは、OT問題の静的な定式化に焦点を当てている。 現在の研究は、フローモデルを最適化することで、2つの任意の分布間の動的 OT を計算することを提案している。 本手法は輸送コストを最小限に抑える非可逆流を見つけることによって動的OTを学習する。 訓練された最適輸送流は、無限小密度比推定(DRE)や潜在空間における分布の補間による領域適応を含む多くの下流タスクを実行することができる。 提案モデルが高次元データに与える影響は,OTベースライン,画像から画像への変換,高次元DREに対して強い経験的性能を示す。

関連論文リスト

• Efficient Diversity-Preserving Diffusion Alignment via Gradient-Informed GFlowNets [65.42834731617226]
  Nabla-GFlowNetは、報酬勾配のリッチ信号を利用する最初のGFlowNet手法である。 提案手法は,安定拡散の高速かつ多様かつ事前保存的なアライメントを実現する。
  論文  参考訳（メタデータ） (2024-12-10T18:59:58Z)
• Local Flow Matching Generative Models [19.859984725284896]
  局所フローマッチング(Local Flow Matching)は、フローベース生成モデルに基づく密度推定のための計算フレームワークである。 $textttLFM$はシミュレーション不要のスキームを採用し、フローマッチングサブモデルのシーケンスを漸進的に学習する。 FMと比較して, $textttLFM$ のトレーニング効率と競争的生成性能の改善を実証した。
  論文  参考訳（メタデータ） (2024-10-03T14:53:10Z)
• Dynamical Measure Transport and Neural PDE Solvers for Sampling [77.38204731939273]
  本研究では, 対象物へのトラクタブル密度関数の移動として, 確率密度からサンプリングする作業に取り組む。 物理インフォームドニューラルネットワーク(PINN)を用いて各偏微分方程式(PDE)の解を近似する。 PINNはシミュレーションと離散化のない最適化を可能にし、非常に効率的に訓練することができる。
  論文  参考訳（メタデータ） (2024-07-10T17:39:50Z)
• Normalizing flows as approximations of optimal transport maps via linear-control neural ODEs [49.1574468325115]
  我々は、絶対連続測度$mu,nuinmathcalP(mathbbRn)$間の$Wimat$-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)
• Arbitrary Distributions Mapping via SyMOT-Flow: A Flow-based Approach Integrating Maximum Mean Discrepancy and Optimal Transport [2.7309692684728617]
  本稿では,2つの未知分布からの標本間の対称最大平均誤差を最小化することにより,可逆変換を訓練するSyMOT-Flowと呼ばれる新しいモデルを提案する。 結果として得られる変換はより安定で正確なサンプル生成をもたらす。
  論文  参考訳（メタデータ） (2023-08-26T08:39:16Z)
• Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
  最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。 本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
  論文  参考訳（メタデータ） (2022-06-29T22:19:03Z)
• Neural Optimal Transport [82.2689844201373]
  本稿では、最適な輸送マップを計算し、強力で弱い輸送コストを計画するニューラルネットベースの新しいアルゴリズムを提案する。 ニューラルネットワークが確率分布間の輸送計画の普遍的近似であることを示す。
  論文  参考訳（メタデータ） (2022-01-28T16:24:13Z)
• TrajectoryNet: A Dynamic Optimal Transport Network for Modeling Cellular Dynamics [74.43710101147849]
  本稿では,動的最適輸送を実現するために,分布間の連続経路を制御するTrjectoryNetを提案する。 単細胞RNAシークエンシング(scRNA-seq)技術から得られたデータにおける細胞動態の研究において、これが特に当てはまるかを示す。
  論文  参考訳（メタデータ） (2020-02-09T21:00:38Z)
• Deep Residual Flow for Out of Distribution Detection [27.218308616245164]
  本稿では,正規化フローに基づく表現密度モデルを活用することにより,最先端技術を改善する新しい手法を提案する。 本稿では,ResNet および DenseNet アーキテクチャにおける提案手法の有効性について述べる。
  論文  参考訳（メタデータ） (2020-01-15T16:38:47Z)
• Discriminator optimal transport [6.624726878647543]
  判別器最適化プロセスは、ターゲット分布$p$とジェネレータ分布$p_G$との間のワッサーシュタイン距離の二重コスト関数の低境界を増大させることを示す。 これは、訓練された判別器が、$p_G$から$p$までの最適な輸送(OT)を近似できることを意味する。 CIFAR-10, STL-10 で訓練された無条件 GAN と ImageNet による条件付き GAN の事前学習モデルにより, 開始スコアと FID が向上することを示す。
  論文  参考訳（メタデータ） (2019-10-15T14:47:37Z)

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。