論文の概要: Revisiting invariances and introducing priors in Gromov-Wasserstein distances

• arxiv url: http://arxiv.org/abs/2307.10093v1
• Date: Wed, 19 Jul 2023 16:00:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-20 13:28:58.275880
• Title: Revisiting invariances and introducing priors in Gromov-Wasserstein distances
• Title（参考訳）: gromov-wasserstein距離における不変性の再検討と事前導入
• Authors: Pinar Demetci, Quang Huy Tran, Ievgen Redko, Ritambhara Singh
• Abstract要約: 我々は、Augmented Gromov-Wassersteinと呼ばれる、新しい最適輸送ベース距離を提案する。 変換に対する剛性のレベルをある程度制御することができる。 また、機能アライメントも組み込まれており、インプットデータに対する事前の知識をより活用して、パフォーマンスを向上させることができます。
• 参考スコア（独自算出の注目度）: 8.724900618917095
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Gromov-Wasserstein distance has found many applications in machine learning due to its ability to compare measures across metric spaces and its invariance to isometric transformations. However, in certain applications, this invariance property can be too flexible, thus undesirable. Moreover, the Gromov-Wasserstein distance solely considers pairwise sample similarities in input datasets, disregarding the raw feature representations. We propose a new optimal transport-based distance, called Augmented Gromov-Wasserstein, that allows for some control over the level of rigidity to transformations. It also incorporates feature alignments, enabling us to better leverage prior knowledge on the input data for improved performance. We present theoretical insights into the proposed metric. We then demonstrate its usefulness for single-cell multi-omic alignment tasks and a transfer learning scenario in machine learning.
• Abstract（参考訳）: gromov-wasserstein距離は、距離空間をまたいだ測度と等尺変換との不変性を比較する能力から、機械学習において多くの応用を見出した。 しかし、ある応用においては、この不変性は柔軟すぎるため、望ましくない。 さらにGromov-Wasserstein距離は、入力データセットのペアのサンプル類似性のみを考慮し、生の特徴表現を無視する。 我々は Augmented Gromov-Wasserstein と呼ばれる新しい最適輸送ベース距離を提案し、変換に対する剛性のレベルをある程度制御できる。 機能アライメントも組み込まれており、入力データの事前知識をうまく活用し、パフォーマンスが向上しています。 提案手法について理論的考察を行う。 次に,単セルマルチオミックアライメントタスクと,機械学習における伝達学習シナリオの有用性を示す。

関連論文リスト

• Scalable unsupervised alignment of general metric and non-metric structures [21.29255788365408]
  異なるドメインからのデータのアライメントは、非常に異なる領域にわたる幅広いアプリケーションによる機械学習の基本的な問題である。 我々は、2次代入問題 (QAP) の最小化問題でもある、関連よく計算可能な線形代入問題 (LAP) を学習する。 単一セルマルチオミクスとニューラル潜在空間からの合成および実データに対するアプローチを評価する。
  論文  参考訳（メタデータ） (2024-06-19T12:54:03Z)
• Graph-based Virtual Sensing from Sparse and Partial Multivariate Observations [22.567497617912046]
  このような関係を利用してグラフに基づく新しい手法を導入し、GgNetというグラフ深層学習アーキテクチャを設計し、そのフレームワークを実装した。 提案手法は,変数間の依存関係や位置の学習に使用されるネストグラフ構造上の情報伝達に依存する。 GgNetは様々な仮想センシングシナリオで広く評価されており、最先端技術と比較して高い再現精度を示している。
  論文  参考訳（メタデータ） (2024-02-19T23:22:30Z)
• GaitMorph: Transforming Gait by Optimally Transporting Discrete Codes [6.85316573653194]
  本稿では,入力歩行シーケンスの歩行変動を修正する新しい手法であるGaitMorphを提案する。 提案手法では,非競合データを利用した歩行骨格列の高速圧縮モデルの訓練を行う。 そこで本研究では,変分間の歩行列を変形させる離散コードブック上で,遅延輸送マップを学習するための最適輸送理論に基づく手法を提案する。
  論文  参考訳（メタデータ） (2023-07-27T09:09:28Z)
• Particle-Based Score Estimation for State Space Model Learning in Autonomous Driving [62.053071723903834]
  マルチオブジェクト状態推定はロボットアプリケーションの基本的な問題である。 粒子法を用いて最大形パラメータを学習することを検討する。 自動運転車から収集した実データに本手法を適用した。
  論文  参考訳（メタデータ） (2022-12-14T01:21:05Z)
• Gromov-Wasserstein Autoencoders [36.656435006076975]
  我々はGromov-Wasserstein Autoencoders(GWAE)という新しい表現学習手法を提案する。 可能性に基づく目的ではなく、GWAEモデルはGromov-Wasserstein (GW) 計量を最小化することによって、事前最適化可能なトレーニングが可能となる。 トレーニング可能な事前のファミリーを制限することで、下流タスクの潜在表現を制御するメタプライアを導入することができる。
  論文  参考訳（メタデータ） (2022-09-15T02:34:39Z)
• Learning Instance-Specific Augmentations by Capturing Local Invariances [62.70897571389785]
  InstaAugは、データから入力固有の拡張を自動的に学習する方法である。 InstaAugは、幅広い変換クラスに対して意味のある入力依存の強化を学ぶことを実証的に示す。
  論文  参考訳（メタデータ） (2022-05-31T18:38:06Z)
• Orthogonal Gromov-Wasserstein Discrepancy with Efficient Lower Bound [11.086440815804226]
  Gromov-Wasserstein (GW) は、最適な輸送データセットに基づいて、構造化されたデータ間のノードグラフを定式化する。 本稿では,代入問題との関係から着想を得て,GWの代理としてGromov-Wasserstein離散性を提案する。
  論文  参考訳（メタデータ） (2022-05-12T02:10:56Z)
• Hyperbolic Vision Transformers: Combining Improvements in Metric Learning [116.13290702262248]
  計量学習のための新しい双曲型モデルを提案する。 本手法のコアとなるのは、双曲空間にマッピングされた出力埋め込みを備えた視覚変換器である。 4つのデータセットに6つの異なる定式化を施したモデルの評価を行った。
  論文  参考訳（メタデータ） (2022-03-21T09:48:23Z)
• DA-Transformer: Distance-aware Transformer [87.20061062572391]
  DA-Transformerは、実際の距離を利用することができる距離対応トランスである。 本稿では,実距離を利用した距離認識変換器であるDA-Transformerを提案する。
  論文  参考訳（メタデータ） (2020-10-14T10:09:01Z)
• Multi-scale Interactive Network for Salient Object Detection [91.43066633305662]
  本稿では,隣接レベルからの機能を統合するためのアグリゲート・インタラクション・モジュールを提案する。 より効率的なマルチスケール機能を得るために、各デコーダユニットに自己相互作用モジュールを埋め込む。 5つのベンチマークデータセットによる実験結果から,提案手法は後処理を一切行わず,23の最先端手法に対して良好に動作することが示された。
  論文  参考訳（メタデータ） (2020-07-17T15:41:37Z)
• Meta-Learning Symmetries by Reparameterization [63.85144439337671]
  データから対応するパラメータ共有パターンを学習し、等価性をネットワークに学習し、符号化する手法を提案する。 本実験は,画像処理タスクで使用される共通変換に等価性をエンコードして自動的に学習できることを示唆する。
  論文  参考訳（メタデータ） (2020-07-06T17:59:54Z)

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。