Fugu-MT 論文翻訳(概要): Recent Advances in Optimal Transport for Machine Learning

論文の概要: Recent Advances in Optimal Transport for Machine Learning

arxiv url: http://arxiv.org/abs/2306.16156v1
Date: Wed, 28 Jun 2023 12:37:23 GMT
ステータス: 処理完了
システム内更新日: 2023-06-29 14:14:54.847035
Title: Recent Advances in Optimal Transport for Machine Learning
Title（参考訳）: 機械学習のための最適輸送の最近の進歩
Authors: Eduardo Fernandes Montesuma, Fred Ngol\`e Mboula, Antoine Souloumiac
Abstract要約: 2012～2022年の間に、機械学習のための最適なトランスポートのコントリビューションを検討します。機械学習の4つのサブフィールド(教師なし、教師なし、転送、強化学習)に焦点を当てる。
参考スコア（独自算出の注目度）: 11.213906010203264
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Recently, Optimal Transport has been proposed as a probabilistic framework in Machine Learning for comparing and manipulating probability distributions. This is rooted in its rich history and theory, and has offered new solutions to different problems in machine learning, such as generative modeling and transfer learning. In this survey we explore contributions of Optimal Transport for Machine Learning over the period 2012 -- 2022, focusing on four sub-fields of Machine Learning: supervised, unsupervised, transfer and reinforcement learning. We further highlight the recent development in computational Optimal Transport, and its interplay with Machine Learning practice.
Abstract（参考訳）: 近年,確率分布の比較と操作のための機械学習の確率的フレームワークとして最適輸送法が提案されている。これはその豊かな歴史と理論に根ざし、生成モデリングや伝達学習といった機械学習の様々な問題に対する新しい解決策を提供してきた。本研究では,2012～2022年における機械学習の最適輸送の貢献について検討し,教師なし,教師なし,転送,強化学習の4つのサブフィールドに注目した。計算最適輸送の最近の発展と機械学習の実践との相互作用をさらに強調する。

関連論文リスト

Computing low-thrust transfers in the asteroid belt, a comparison between astrodynamical manipulations and a machine learning approach [4.868863044142366]
低推力軌道は、小惑星帯のミッションにおける科学的出力とコスト効率の最適化に重要な役割を果たしている。本稿では,新しい解析近似を提案し,その精度と性能を機械学習手法と比較する。我々は、時間と最適な制御問題を解くことによって発見された約300万の転送のデータセットを構築します。
論文参考訳（メタデータ） (2024-05-29T09:20:54Z)
Advantages of Machine Learning in Bus Transport Analysis [0.0]
教師付き機械学習アルゴリズムを用いて,テヘランBRTバスシステムの周期性に寄与する要因を解析する。所定時間帯の性能基準を満たすバス経路を予測できる正確なモデルを構築した。
論文参考訳（メタデータ） (2023-10-16T13:02:43Z)
Feasibility of Transfer Learning: A Mathematical Framework [4.530876736231948]
それは、必要な数学的概念を確立し、伝達学習のための数学的枠組みを構築することから始まる。そして、3段階の転送学習手順を最適化問題として特定・定式化し、実現可能性問題の解決を可能にする。
論文参考訳（メタデータ） (2023-05-22T12:44:38Z)
Scalable Optimal Transport Methods in Machine Learning: A Contemporary Survey [15.500897098518989]
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、顕著な応用を紹介する。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。
論文参考訳（メタデータ） (2023-05-08T22:43:16Z)
Vision Paper: Causal Inference for Interpretable and Robust Machine Learning in Mobility Analysis [71.2468615993246]
インテリジェントな輸送システムを構築するには、人工知能とモビリティ分析の複雑な組み合わせが必要である。ここ数年、高度なディープニューラルネットワークを使った輸送アプリケーションの開発が急速に進んでいる。このビジョンペーパーは、解釈可能性と堅牢性を必要とするディープラーニングに基づくモビリティ分析における研究課題を強調する。
論文参考訳（メタデータ） (2022-10-18T17:28:58Z)
OMLT: Optimization & Machine Learning Toolkit [54.58348769621782]
最適化と機械学習ツールキット(OMLT)は、ニューラルネットワークと勾配ブーストツリーサロゲートモデルを組み込んだオープンソースのソフトウェアパッケージである。我々は、OMLTを可能とした最適化技術の進歩について論じ、OMLTが代数モデリング言語であるPyomoとシームレスに統合されていることを示す。
論文参考訳（メタデータ） (2022-02-04T22:23:45Z)
Estimating the Robustness of Public Transport Systems Using Machine Learning [62.997667081978825]
公共交通機関の計画は、多くのステップを含む非常に複雑なプロセスである。乗客の観点からの堅牢性の統合により、作業はさらに困難になる。本稿では,機械学習の手法を用いたシナリオベースロバストネス近似の新しい手法を提案する。
論文参考訳（メタデータ） (2021-06-10T05:52:56Z)
Transferable Deep Reinforcement Learning Framework for Autonomous Vehicles with Joint Radar-Data Communications [69.24726496448713]
本稿では,AVの最適決定を支援するために,マルコフ決定プロセス(MDP)に基づくインテリジェントな最適化フレームワークを提案する。そこで我々は,近年の深層強化学習技術を活用した効果的な学習アルゴリズムを開発し,AVの最適方針を見出す。提案手法は,従来の深部強化学習手法と比較して,AVによる障害物ミス検出確率を最大67%削減することを示す。
論文参考訳（メタデータ） (2021-05-28T08:45:37Z)
Measuring and modeling the motor system with machine learning [117.44028458220427]
モーターシステムの理解における機械学習の有用性は、データの収集、測定、分析の方法に革命をもたらすことを約束している。本稿では, ポーズ推定, 運動解析, 次元減少, 閉ループフィードバックから, ニューラル相関の理解, 機能停止まで, 機械学習の利用の増大について論じる。
論文参考訳（メタデータ） (2021-03-22T12:42:16Z)
First-order Optimization for Superquantile-based Supervised Learning [0.0]
本稿では,超量子的学習目標を最小化する一階最適化アルゴリズムを提案する。提案アルゴリズムは,不完全な畳み込みによる超量子関数の平滑化に基づく。
論文参考訳（メタデータ） (2020-09-30T11:43:45Z)
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)

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。