Fugu-MT 論文翻訳(概要): Bringing regularized optimal transport to lightspeed: a splitting method adapted for GPUs

論文の概要: Bringing regularized optimal transport to lightspeed: a splitting method adapted for GPUs

arxiv url: http://arxiv.org/abs/2305.18483v1
Date: Mon, 29 May 2023 12:04:55 GMT
ステータス: 処理完了
システム内更新日: 2023-05-31 20:26:00.772261
Title: Bringing regularized optimal transport to lightspeed: a splitting method adapted for GPUs
Title（参考訳）: 光速への正規化最適輸送:GPUに適応した分割法
Authors: Jacob Lindb\"ack, Zesen Wang, Mikael Johansson
Abstract要約: 正規化された最適輸送のための効率的なアルゴリズムを提案する。従来の手法とは対照的に、ダグラス・ラフフォード分割法を用いて、幅広い正規化器を扱える効率的な解法を開発した。
参考スコア（独自算出の注目度）: 9.297785393486976
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present an efficient algorithm for regularized optimal transport. In contrast to previous methods, we use the Douglas-Rachford splitting technique to develop an efficient solver that can handle a broad class of regularizers. The algorithm has strong global convergence guarantees, low per-iteration cost, and can exploit GPU parallelization, making it considerably faster than the state-of-the-art for many problems. We illustrate its competitiveness in several applications, including domain adaptation and learning of generative models.
Abstract（参考訳）: 本稿では,最適輸送の効率のよいアルゴリズムを提案する。従来の手法とは対照的に、ダグラス・ラッチフォード分割法を用いて幅広い正規化器を扱える効率的な解法を開発した。このアルゴリズムは、強力なグローバルコンバージェンス保証を持ち、イテレーション当たりのコストが低く、GPU並列化を活用できるため、多くの問題において最先端よりもかなり高速である。ドメイン適応や生成モデルの学習など,いくつかのアプリケーションでその競争力を示す。

関連論文リスト

Accelerating Cutting-Plane Algorithms via Reinforcement Learning Surrogates [49.84541884653309]
凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
論文参考訳（メタデータ） (2023-07-17T20:11:56Z)
Scalable Optimal Margin Distribution Machine [50.281535710689795]
ODM(Optimal margin Distribution Machine)は、新しいマージン理論に根ざした新しい統計学習フレームワークである。本稿では,従来のODMトレーニング手法に比べて10倍近い高速化を実現するスケーラブルなODMを提案する。
論文参考訳（メタデータ） (2023-05-08T16:34:04Z)
Fast Computation of Optimal Transport via Entropy-Regularized Extragradient Methods [75.34939761152587]
2つの分布間の最適な輸送距離の効率的な計算は、様々な応用を促進するアルゴリズムとして機能する。本稿では,$varepsilon$加法精度で最適な輸送を計算できるスケーラブルな一階最適化法を提案する。
論文参考訳（メタデータ） (2023-01-30T15:46:39Z)
Massively Parallel Genetic Optimization through Asynchronous Propagation of Populations [50.591267188664666]
Propulateは、グローバル最適化のための進化的最適化アルゴリズムとソフトウェアパッケージである。提案アルゴリズムは, 選択, 突然変異, 交叉, 移動の変種を特徴とする。 Propulateは解の精度を犠牲にすることなく、最大で3桁高速であることがわかった。
論文参考訳（メタデータ） (2023-01-20T18:17:34Z)
A Fast and Accurate Splitting Method for Optimal Transport: Analysis and Implementation [19.6590956326761]
我々は,高速かつ信頼性の高い大規模最適輸送(OT)問題を,前例のない速度と精度の組み合わせで解く方法を開発した。ダグラス・ラフフォード分割法に基づいて構築され、近似正規化問題を解く代わりに、元のOT問題に直接取り組んだ。
論文参考訳（メタデータ） (2021-10-22T12:16:08Z)
Optimization on manifolds: A symplectic approach [127.54402681305629]
本稿では、最適化問題を解くための一般的な枠組みとして、ディラックの制約付きハミルトン系理論の散逸拡張を提案する。我々の(加速された)アルゴリズムのクラスは単純で効率的なだけでなく、幅広い文脈にも適用できる。
論文参考訳（メタデータ） (2021-07-23T13:43:34Z)
Batch Sequential Adaptive Designs for Global Optimization [5.825138898746968]
効率的なグローバル最適化(EGO)は、高価なブラックボックス最適化問題に対する最も一般的なSAD手法の1つである。これらの複数点のEGO法では、重い計算とポイントのクラスタリングが障害となる。本研究では, 改良されたサンプリング/インポータンス・リサンプリング(SIR)法を用いて, 「加速EGO」と呼ばれる新しいバッチSAD法を転送する。提案したSADの効率は,次元が2～12の9つの古典的テスト関数によって検証される。
論文参考訳（メタデータ） (2020-10-21T01:11:35Z)
Kernel methods through the roof: handling billions of points efficiently [94.31450736250918]
カーネル法は、非パラメトリック学習に対するエレガントで原則化されたアプローチを提供するが、今のところ大規模な問題ではほとんど利用できない。最近の進歩は、最適化、数値線形代数、ランダム射影など、多くのアルゴリズム的アイデアの利点を示している。ここでは、これらの取り組みをさらに進めて、GPUハードウェアを最大限に活用する解決器を開発し、テストする。
論文参考訳（メタデータ） (2020-06-18T08:16:25Z)
Multi-consensus Decentralized Accelerated Gradient Descent [31.76773130271547]
分散凸最適化問題は、大規模機械学習、センサーネットワーク、制御理論に幅広い応用がある。本稿では,最適な計算複雑性とほぼ最適な通信複雑性を実現する新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2020-05-02T11:10:32Z)

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。