Fugu-MT 論文翻訳(概要): Computing the Distance between unbalanced Distributions -- The flat Metric

論文の概要: Computing the Distance between unbalanced Distributions -- The flat Metric

arxiv url: http://arxiv.org/abs/2308.01039v1
Date: Wed, 2 Aug 2023 09:30:22 GMT
ステータス: 処理完了
システム内更新日: 2023-08-03 13:30:30.588940
Title: Computing the Distance between unbalanced Distributions -- The flat Metric
Title（参考訳）: 不均衡分布間の距離の計算 -- 平らなメートル法
Authors: Henri Schmidt and Christian D\"ull
Abstract要約: 平坦計量は、よく知られたワッサーシュタイン距離 W1 を、分布が不等質量である場合に一般化する。この手法のコアはニューラルネットワークに基づいて、2つの測度間の距離を実現する最適なテスト関数を決定する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We provide an implementation to compute the flat metric in any dimension. The flat metric, also called dual bounded Lipschitz distance, generalizes the well-known Wasserstein distance W1 to the case that the distributions are of unequal total mass. This is of particular interest for unbalanced optimal transport tasks and for the analysis of data distributions where the sample size is important or normalization is not possible. The core of the method is based on a neural network to determine on optimal test function realizing the distance between two given measures. Special focus was put on achieving comparability of pairwise computed distances from independently trained networks. We tested the quality of the output in several experiments where ground truth was available as well as with simulated data.
Abstract（参考訳）: 任意の次元で平坦な計量を計算する実装を提供する。平坦な計量、あるいは双対有界リプシッツ距離は、よく知られたワッサーシュタイン距離 W1 を、分布が不等質量である場合に一般化する。これは、不均衡な最適輸送タスクや、サンプルサイズが重要か正規化が不可能であるデータ分布の解析において特に重要である。この手法のコアはニューラルネットワークに基づいて、与えられた2つの測度間の距離を実現する最適なテスト関数を決定する。独立に訓練されたネットワークからのペアワイズ計算距離のコンパラビリティの実現に特に焦点が当てられた。基礎的真理が得られたいくつかの実験とシミュレーションデータを用いて,出力の質を検証した。

関連論文リスト

Distributed Markov Chain Monte Carlo Sampling based on the Alternating Direction Method of Multipliers [143.6249073384419]
本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
論文参考訳（メタデータ） (2024-01-29T02:08:40Z)
Energy-Based Sliced Wasserstein Distance [47.18652387199418]
スライスされたワッサーシュタイン(SW)距離の鍵成分はスライス分布である。本研究では,スライシング分布をパラメータフリーなエネルギーベース分布として設計する。次に、新しいスライスされたワッセルシュタイン計量、エネルギーベースのスライスされたワッセルシュタイン距離(EBSW)を導出する。
論文参考訳（メタデータ） (2023-04-26T14:28:45Z)
Statistical Efficiency of Score Matching: The View from Isoperimetry [96.65637602827942]
本研究では, スコアマッチングの統計的効率と推定される分布の等尺性との間に, 密接な関係を示す。これらの結果はサンプル状態と有限状態の両方で定式化する。
論文参考訳（メタデータ） (2022-10-03T06:09:01Z)
Nonlinear Sufficient Dimension Reduction for Distribution-on-Distribution Regression [9.086237593805173]
本稿では,予測値と応答値の両方が分布データである場合に,非線形に十分な次元を減少させる新しい手法を提案する。我々の重要なステップは、計量空間上に普遍カーネル(cc-ユニバーサル)を構築することである。
論文参考訳（メタデータ） (2022-07-11T04:11:36Z)
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$が,既存のミニマックス下限値とほぼ一致し,スムーズな地図推定が可能となる最初のトラクタブルアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-12-03T13:45:36Z)
Meta Learning Low Rank Covariance Factors for Energy-Based Deterministic Uncertainty [58.144520501201995]
ニューラルネットワーク層のBi-Lipschitz正規化は、各レイヤの特徴空間におけるデータインスタンス間の相対距離を保存する。注意セットエンコーダを用いて,タスク固有の共分散行列を効率的に構築するために,対角的,対角的,低ランクな要素のメタ学習を提案する。また,最終的な予測分布を達成するために,スケールしたエネルギーを利用する推論手法を提案する。
論文参考訳（メタデータ） (2021-10-12T22:04:19Z)
Tangent Space and Dimension Estimation with the Wasserstein Distance [10.118241139691952]
ユークリッド空間の滑らかなコンパクト部分多様体の近くで独立にサンプリングされた点の集合を考える。我々は、その多様体の次元と接空間の両方を推定するために必要なサンプル点の数について数学的に厳密な境界を与える。
論文参考訳（メタデータ） (2021-10-12T21:02:06Z)
The Exploitation of Distance Distributions for Clustering [3.42658286826597]
クラスタ分析では、距離分布の異なる特性が適切な距離選択に関係していると判断される。ミラー化密度プロットを用いて分布解析を用いて,この仕様を体系的に検討することにより,クラスタ解析においてマルチモーダル距離分布が好ましいことを示す。実験は、クラスタリングのタスクのために、いくつかの人工データセットと自然なデータセットで行われます。
論文参考訳（メタデータ） (2021-08-22T06:22:08Z)
Depth-based pseudo-metrics between probability distributions [1.1470070927586016]
本研究では,データ深度に基づく連続確率測度と関連する中央領域の2つの疑似測度を提案する。 Wasserstein距離とは対照的に、提案された疑似メトリックは次元の呪いに苦しむことはない。地域ベースの擬似メトリックは堅牢なw.r.tである。両端と尾が重い。
論文参考訳（メタデータ） (2021-03-23T17:33:18Z)
Two-sample Test using Projected Wasserstein Distance [18.46110328123008]
統計学と機械学習の基本的な問題である2サンプルテストのための予測されたワッサースタイン距離を開発する。重要な貢献は、投影された確率分布の間のワッサーシュタイン距離を最大化する低次元線型写像を見つけるために最適射影を結合することである。
論文参考訳（メタデータ） (2020-10-22T18:08:58Z)
On Projection Robust Optimal Transport: Sample Complexity and Model Misspecification [101.0377583883137]
射影ロバスト(PR)OTは、2つの測度の間のOTコストを最大化するために、射影可能な$k$次元部分空間を選択する。私たちの最初の貢献は、PRワッサーシュタイン距離のいくつかの基本的な統計的性質を確立することである。次に、部分空間を最適化するのではなく平均化することにより、PRW距離の代替として積分PRワッサーシュタイン距離(IPRW)を提案する。
論文参考訳（メタデータ） (2020-06-22T14:35:33Z)

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。