論文の概要: Light Schr\"odinger Bridge
- arxiv url: http://arxiv.org/abs/2310.01174v2
- Date: Fri, 16 Feb 2024 13:39:36 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-19 20:19:21.892188
- Title: Light Schr\"odinger Bridge
- Title(参考訳): Light Schr\"odinger Bridge
- Authors: Alexander Korotin, Nikita Gushchin, Evgeny Burnaev
- Abstract要約: 高速かつ簡易なシュロディンガーブリッジ (SB) ソルバを提案する。
私たちの開発は、最近この分野に登場した2つのアイデアの賢い組み合わせです。
これらのアイデアを組み合わせることで、軽量でシミュレーション不要で理論上正当化されたSBソルバが得られることを示す。
- 参考スコア(独自算出の注目度): 79.62389172166125
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite the recent advances in the field of computational Schrodinger Bridges
(SB), most existing SB solvers are still heavy-weighted and require complex
optimization of several neural networks. It turns out that there is no
principal solver which plays the role of simple-yet-effective baseline for SB
just like, e.g., $k$-means method in clustering, logistic regression in
classification or Sinkhorn algorithm in discrete optimal transport. We address
this issue and propose a novel fast and simple SB solver. Our development is a
smart combination of two ideas which recently appeared in the field: (a)
parameterization of the Schrodinger potentials with sum-exp quadratic functions
and (b) viewing the log-Schrodinger potentials as the energy functions. We show
that combined together these ideas yield a lightweight, simulation-free and
theoretically justified SB solver with a simple straightforward optimization
objective. As a result, it allows solving SB in moderate dimensions in a matter
of minutes on CPU without a painful hyperparameter selection. Our light solver
resembles the Gaussian mixture model which is widely used for density
estimation. Inspired by this similarity, we also prove an important theoretical
result showing that our light solver is a universal approximator of SBs. The
code for the LightSB solver can be found at
https://github.com/ngushchin/LightSB
- Abstract(参考訳): 計算シュロディンガーブリッジ(SB)の分野での最近の進歩にもかかわらず、既存のSBソルバは依然として重み付けされており、複数のニューラルネットワークの複雑な最適化が必要である。
クラスタリングにおける$k$-means法、分類におけるロジスティック回帰、離散的最適輸送におけるシンクホーンアルゴリズムのように、SBの単純なyet効果ベースラインの役割を果たす主解法は存在しないことが判明した。
この問題に対処し、高速で簡単なSB解法を提案する。
私たちの開発は、最近この分野に登場した2つのアイデアの賢い組み合わせです。
(a)和指数二次関数を持つシュロディンガーポテンシャルのパラメータ化と
(b)エネルギー関数としてログシュレッディンガーポテンシャルを見ること。
これらのアイデアを組み合わせることで,軽量でシミュレーションフリーで理論的に正当化可能なsbソルバが,単純で簡単な最適化目標で実現できることを示す。
結果として、痛みを伴うハイパーパラメータ選択なしで、CPU上で数分で適度な次元でSBを解くことができる。
我々の光解法は密度推定に広く用いられているガウス混合モデルに似ている。
この類似性に着想を得て、光解法がSBの普遍近似であることを示す重要な理論的結果も証明した。
LightSBソルバのコードはhttps://github.com/ngushchin/LightSBにある。
関連論文リスト
- Light and Optimal Schr\"odinger Bridge Matching [72.88707358656869]
Schr"odinger Bridges (SB)は、最近、古典的拡散モデルの将来的な拡張としてMLコミュニティの注目を集めている。
SBの最近の解法は広範に橋梁整合法を利用している。
我々は、textbf Schr"odinger bridge matchingと呼ばれるSBを学習するための新しい手順を提案する。
EOT/SBを学習するための最適橋梁マッチングは,最近発見されたエネルギーベースモデリング(EBM)の目標と一致することを示す。
論文 参考訳(メタデータ) (2024-02-05T17:17:57Z) - Evidence of Scaling Advantage for the Quantum Approximate Optimization
Algorithm on a Classically Intractable Problem [16.821121709738957]
量子近似最適化アルゴリズム(QAOA)は、量子コンピュータにおける最適化問題を解くための主要な候補アルゴリズムである。
本稿では,Low Autocorrelation Binary Sequences (LABS) 問題に対するQAOAの広範な数値解析を行う。
このシステムサイズ、固定パラメータと一定の数のレイヤを持つQAOAのランタイムは、ブランチ・アンド・バウンド・ソルバよりも優れたスケールである。
論文 参考訳(メタデータ) (2023-08-04T14:17:21Z) - Building the Bridge of Schr\"odinger: A Continuous Entropic Optimal
Transport Benchmark [96.06787302688595]
提案手法は, 基本真理 OT 解が構成によって知られている確率分布のペアを作成する方法である。
これらのベンチマークペアを使用して、既存のニューラルネットワーク EOT/SB ソルバが実際に EOT ソリューションをどれだけよく計算しているかをテストする。
論文 参考訳(メタデータ) (2023-06-16T20:03:36Z) - Unpaired Image-to-Image Translation via Neural Schr\"odinger Bridge [70.79973551604539]
本稿では,SB問題を表すUnpaired Neural Schr"odinger Bridge (UNSB)を提案する。
UNSBはスケーラブルで、様々な未ペアI2I翻訳タスクをうまく解決する。
論文 参考訳(メタデータ) (2023-05-24T12:05:24Z) - Variational Amplitude Amplification for Solving QUBO Problems [0.0]
本研究は、キュービット重畳状態に適したQUBO問題に焦点をあてる。
我々は、QUBOをコストオラクルの演算として符号化する回路設計を、標準Grover拡散演算子$U_textrms$と組み合わせると、最適および近似最適解に対応する状態の測定確率が高くなることを示す。
論文 参考訳(メタデータ) (2023-01-31T14:33:40Z) - NeurOLight: A Physics-Agnostic Neural Operator Enabling Parametric
Photonic Device Simulation [17.295318670037886]
超高速パラメトリックフォトニックデバイスシミュレーションのための周波数領域Maxwell PDEのファミリーを学習するために、NeurOLightと呼ばれる物理に依存しないニューラルネットワークフレームワークが提案されている。
我々は、NeurOLightが、未知のシミュレーション設定の広い空間に一般化し、数値解法よりも2桁の高速なシミュレーション速度を示し、予測誤差を54%減らし、パラメータを44%減らして、従来のニューラルネットワークモデルより優れていることを示す。
論文 参考訳(メタデータ) (2022-09-19T21:25:26Z) - Adiabatic Quantum Computing for Multi Object Tracking [170.8716555363907]
マルチオブジェクト追跡(MOT)は、オブジェクト検出が時間を通して関連付けられているトラッキング・バイ・検出のパラダイムにおいて、最もよくアプローチされる。
これらの最適化問題はNPハードであるため、現在のハードウェア上の小さなインスタンスに対してのみ正確に解決できる。
本手法は,既成整数計画法を用いても,最先端の最適化手法と競合することを示す。
論文 参考訳(メタデータ) (2022-02-17T18:59:20Z) - Solving Sensor Placement Problems In Real Water Distribution Networks
Using Adiabatic Quantum Computation [9.2810884211586]
本稿では,水分配ネットワーク(WDN)に圧力センサを正しく配置する問題を最適化問題として定式化する。
センサ配置問題に対するQUBOとIsingの定式化について概説する。
本稿では,オープンソースのPythonライブラリであるPyQUBOを用いて,ハミルトニアンを最小化することで,この問題を解決するための詳細な手順を提案する。
論文 参考訳(メタデータ) (2021-08-06T07:31:38Z) - Hardness of Random Optimization Problems for Boolean Circuits,
Low-Degree Polynomials, and Langevin Dynamics [78.46689176407936]
アルゴリズムの族は高い確率でほぼ最適な解を生成できないことを示す。
ブール回路の場合、回路複雑性理論で知られている最先端境界を改善する。
論文 参考訳(メタデータ) (2020-04-25T05:45:59Z)
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。