論文の概要: Empirical Optimal Transport between Conditional Distributions
- arxiv url: http://arxiv.org/abs/2305.15901v1
- Date: Thu, 25 May 2023 10:01:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-26 15:55:34.458709
- Title: Empirical Optimal Transport between Conditional Distributions
- Title（参考訳）: 条件分布間の経験的最適輸送
- Authors: Piyushi Manupriya, Rachit Keerti Das, Sayantan Biswas, Shivam
Chandhok, Saketha Nath Jagarlapudi
- Abstract要約: 本稿では,共通変数に条件付き分布間の最適輸送(OT)の問題について考察する。
我々は,特定のカーネルMDD(Maximum Mean Discrepancy)ベースの正規化器を用いて,条件付き輸送計画の限界が与えられた関節標本から指定された条件に近いことを保証している。
- 参考スコア（独自算出の注目度）: 0.7340017786387767
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Given samples from two joint distributions, we consider the problem of
Optimal Transportation (OT) between the corresponding distributions conditioned
on a common variable. The objective of this work is to estimate the associated
transport cost (Wasserstein distance) as well as the transport plan between the
conditionals as a function of the conditioned value. Since matching conditional
distributions is at the core of supervised training of discriminative models
and (implicit) conditional-generative models, OT between conditionals has the
potential to be employed in diverse machine learning applications. However,
since the conditionals involved in OT are implicitly specified via the joint
samples, it is challenging to formulate this problem, especially when (i) the
variable conditioned on is continuous and (ii) the marginal of this variable in
the two distributions is different. We overcome these challenges by employing a
specific kernel MMD (Maximum Mean Discrepancy) based regularizer that ensures
the marginals of our conditional transport plan are close to the conditionals
specified via the given joint samples. Under mild conditions, we prove that our
estimator for this regularized transport cost is statistically consistent and
derive finite-sample bounds on the estimation error. Application-specific
details for parameterizing our conditional transport plan are also presented.
Furthermore, we empirically evaluate our methodology on benchmark datasets in
applications like classification, prompt learning for few-shot classification,
and conditional-generation in the context of predicting cell responses to
cancer treatment.
- Abstract（参考訳）: 2つのジョイント分布からのサンプルが与えられたとき、共通変数に条件付けられた対応する分布間の最適輸送(ot)の問題を考える。
この研究の目的は、条件付き値の関数として条件付き物間の輸送計画だけでなく、関連する輸送コスト(wasserstein距離)を推定することである。
条件分布のマッチングは、識別モデルと(単純)条件生成モデルの教師付きトレーニングの中核であるので、条件間のOTは、多様な機械学習アプリケーションに利用される可能性がある。
しかし、OTに関わる条件は、共同サンプルを通して暗黙的に特定されるため、特にこの問題を定式化することは困難である。
(i)条件づけられた変数は連続的で
(ii) 2つの分布におけるこの変数の限界は異なる。
これらの課題を克服するために、特定のカーネルMD(Maximum Mean Discrepancy)ベースの正規化器を用いて、条件輸送計画の限界が与えられたジョイントサンプルを介して指定された条件に近いことを保証する。
軽度条件下では、この正規化輸送コストの推定器が統計的に一貫したものであり、推定誤差に有限サンプル境界を導出することを証明する。
条件付き輸送計画のパラメータ化のためのアプリケーション固有の詳細も提示する。
さらに, 癌治療に対する細胞応答予測の文脈において, 分類, 短時間学習, 条件生成などのアプリケーションにおけるベンチマークデータセットに関する方法論を実証的に評価した。
関連論文リスト
- Theory on Score-Mismatched Diffusion Models and Zero-Shot Conditional Samplers [49.97755400231656]
本報告では,明示的な次元の一般スコアミスマッチ拡散サンプリング器を用いた最初の性能保証について述べる。
その結果, スコアミスマッチは, 目標分布とサンプリング分布の分布バイアスとなり, 目標分布とトレーニング分布の累積ミスマッチに比例することがわかった。
この結果は、測定ノイズに関係なく、任意の条件モデルに対するゼロショット条件付きサンプリングに直接適用することができる。
論文 参考訳（メタデータ） (2024-10-17T16:42:12Z) - Probabilistic Conformal Prediction with Approximate Conditional Validity [81.30551968980143]
本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを生成する手法を開発した。
我々の手法は、条件付きカバレッジの観点から既存の手法よりも一貫して優れています。
論文 参考訳（メタデータ） (2024-07-01T20:44:48Z) - Optimal Transport-Guided Conditional Score-Based Diffusion Models [63.14903268958398]
条件付きスコアベース拡散モデル(SBDM)は、条件付きデータを条件としてターゲットデータの条件付き生成を行い、画像翻訳において大きな成功を収めた。
本稿では, 最適輸送誘導条件付きスコアベース拡散モデル(OTCS)を提案する。
論文 参考訳（メタデータ） (2023-11-02T13:28:44Z) - User-defined Event Sampling and Uncertainty Quantification in Diffusion
Models for Physical Dynamical Systems [49.75149094527068]
拡散モデルを用いて予測を行い,カオス力学系に対する不確かさの定量化が可能であることを示す。
本研究では,雑音レベルが低下するにつれて真の分布に収束する条件付きスコア関数の確率的近似法を開発する。
推論時に非線形ユーザ定義イベントを条件付きでサンプリングすることができ、分布の尾部からサンプリングした場合でもデータ統計と一致させることができる。
論文 参考訳（メタデータ） (2023-06-13T03:42:03Z) - Flow Away your Differences: Conditional Normalizing Flows as an
Improvement to Reweighting [0.0]
本稿では, 条件分布の所望の変化を考慮に入れた再重み付け手法の代替手法を提案する。
条件付き正規化フローを用いて、完全条件付き確率分布を学習する。
この例では、ソースとターゲットの分布を同一のサンプルサイズで再重み付けする手法よりも、統計精度が最大3倍に向上する。
論文 参考訳（メタデータ） (2023-04-28T16:33:50Z) - Adversarial sampling of unknown and high-dimensional conditional
distributions [0.0]
本稿では, GAN (Generative Adversarial Network) と呼ばれるデータ駆動方式を用いて, サンプリング法と基礎分布の推定を行う。
GANは、2つの競合するニューラルネットワークをトレーニングし、トレーニングセット分布からサンプルを効果的に生成できるネットワークを生成する。
提案アルゴリズムのすべてのバージョンは, 対象条件分布を, サンプルの品質に最小限の影響で効果的にサンプリングできることが示されている。
論文 参考訳（メタデータ） (2021-11-08T12:23:38Z) - Conditional Distributional Treatment Effect with Kernel Conditional Mean
Embeddings and U-Statistic Regression [20.544239209511982]
条件付き分布処理効果(CoDiTE)
CoDiTEは平均を超える治療の分布側面を符号化する。
合成,半合成,実データに関する実験は,このアプローチのメリットを示している。
論文 参考訳（メタデータ） (2021-02-16T15:09:23Z) - Comparing Probability Distributions with Conditional Transport [63.11403041984197]
新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。
ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。
さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
論文 参考訳（メタデータ） (2020-12-28T05:14:22Z) - Autoregressive Score Matching [113.4502004812927]
自動回帰条件スコアモデル(AR-CSM)を提案する。
AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。
本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
論文 参考訳（メタデータ） (2020-10-24T07:01:24Z)
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。