Fugu-MT 論文翻訳(概要): Alignment of Density Maps in Wasserstein Distance

論文の概要: Alignment of Density Maps in Wasserstein Distance

arxiv url: http://arxiv.org/abs/2305.12310v2
Date: Tue, 12 Mar 2024 02:44:18 GMT
ステータス: 処理完了
システム内更新日: 2024-03-14 02:14:13.542484
Title: Alignment of Density Maps in Wasserstein Distance
Title（参考訳）: ワッサーシュタイン距離における密度マップの配向
Authors: Amit Singer and Ruiyi Yang
Abstract要約: 本研究では,3次元物体を密度マップとして表現するアルゴリズムを提案する。このアルゴリズムは、剛性変換後の密度写像間の1-ワッサーシュタイン距離を最小化することに基づいている。
参考スコア（独自算出の注目度）: 8.140400570642438
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper we propose an algorithm for aligning three-dimensional objects when represented as density maps, motivated by applications in cryogenic electron microscopy. The algorithm is based on minimizing the 1-Wasserstein distance between the density maps after a rigid transformation. The induced loss function enjoys a more benign landscape than its Euclidean counterpart and Bayesian optimization is employed for computation. Numerical experiments show improved accuracy and efficiency over existing algorithms on the alignment of real protein molecules. In the context of aligning heterogeneous pairs, we illustrate a potential need for new distance functions.
Abstract（参考訳）: 本稿では, 極低温電子顕微鏡の応用により, 密度マップとして表現された3次元物体を整列するアルゴリズムを提案する。このアルゴリズムは、剛性変換後の密度写像間の1-ワッサーシュタイン距離を最小化することに基づいている。誘導損失関数はユークリッド関数よりも良質な景観を享受し、ベイズ最適化を計算に利用する。数値実験により、実際のタンパク質分子のアライメントに関する既存のアルゴリズムよりも精度と効率が向上した。ヘテロジニアス対を整列する文脈において,新たな距離関数の必要性を示す。

関連論文リスト

Sequential transport maps using SoS density estimation and $α$-divergences [0.5999777817331317]
輸送型密度推定法は, 近似密度から試料を効率よく生成できるため, 関心が高まりつつある。本稿では,$alpha$-divergencesの情報幾何学的性質に基づいて,シーケンシャルトランスポートマップの新たな収束解析を行う。本研究では,ベイズ推論問題と教師なし学習課題について数値解析を行った。
論文参考訳（メタデータ） (2024-02-27T23:52:58Z)
Linearized Wasserstein dimensionality reduction with approximation guarantees [65.16758672591365]
LOT Wassmap は、ワーッサーシュタイン空間の低次元構造を明らかにするための計算可能なアルゴリズムである。我々は,LOT Wassmapが正しい埋め込みを実現し,サンプルサイズの増加とともに品質が向上することを示す。また、LOT Wassmapがペア距離計算に依存するアルゴリズムと比較して計算コストを大幅に削減することを示す。
論文参考訳（メタデータ） (2023-02-14T22:12:16Z)
Efficient Graph Field Integrators Meet Point Clouds [59.27295475120132]
点雲を符号化するグラフ上での効率的な場積分のためのアルゴリズムを2種類提案する。第1のクラスであるSeparatorFactorization(SF)は、ポイントメッシュグラフの有界属を利用するが、第2のクラスであるRFDiffusion(RFD)は、ポイントクラウドの一般的なepsilon-nearest-neighborグラフ表現を使用する。
論文参考訳（メタデータ） (2023-02-02T08:33:36Z)
A new method for determining Wasserstein 1 optimal transport maps from Kantorovich potentials, with deep learning applications [3.867363075280544]
ワッサーシュタイン 1 の最適輸送写像は、2つの確率分布の点間の自然な対応を与える。本稿では,関東ロビチポテンシャルのみに依存するワッサーシュタイン1最適輸送写像の計算手法を提案する。
論文参考訳（メタデータ） (2022-11-02T01:54:09Z)
Improved Counting and Localization from Density Maps for Object Detection in 2D and 3D Microscopy Imaging [4.746727774540763]
密度マップから対象をカウント・ローカライズする別の方法を提案する。その結果,2次元および3次元顕微鏡データにおけるオブジェクトのカウントとローカライゼーションの性能が向上した。
論文参考訳（メタデータ） (2022-03-29T15:54:19Z)
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$が,既存のミニマックス下限値とほぼ一致し,スムーズな地図推定が可能となる最初のトラクタブルアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-12-03T13:45:36Z)
Density-Based Clustering with Kernel Diffusion [59.4179549482505]
単位$d$次元ユークリッド球のインジケータ関数に対応するナイーブ密度は、密度に基づくクラスタリングアルゴリズムで一般的に使用される。局所分布特性と滑らかさの異なるデータに適応する新しいカーネル拡散密度関数を提案する。
論文参考訳（メタデータ） (2021-10-11T09:00:33Z)
Partial Wasserstein Covering [10.52782170493037]
我々は、大規模なデータセットをエミュレートする目的で、部分的なWassersteinと呼ばれる一般的なタスクについて検討する。この問題をワッサーシュタイン偏微分を目的関数とする離散最適化問題としてモデル化する。我々は、シーンデータセットの駆動を含む部分的なワッサースタインの発散の観点から、2つのデータセットを効率的に作成できることを示します。
論文参考訳（メタデータ） (2021-06-02T01:48:41Z)
Learning Optical Flow from a Few Matches [67.83633948984954]
密な相関体積表現は冗長であり、その中の要素のほんの一部で正確なフロー推定が達成できることを示した。実験により,高い精度を維持しつつ計算コストとメモリ使用量を大幅に削減できることを示した。
論文参考訳（メタデータ） (2021-04-05T21:44:00Z)
Learning High Dimensional Wasserstein Geodesics [55.086626708837635]
高次元の2つの確率分布の間のワッサーシュタイン測地線を計算するための新しい定式化と学習戦略を提案する。ラグランジュ乗算器の手法を最適輸送(OT)問題の動的定式化に適用することにより、サドル点がワッサーシュタイン測地線であるミニマックス問題を導出する。次に、深層ニューラルネットワークによる関数のパラメータ化を行い、トレーニングのためのサンプルベースの双方向学習アルゴリズムを設計する。
論文参考訳（メタデータ） (2021-02-05T04:25:28Z)

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。