論文の概要: Light Schrödinger Bridge
- arxiv url: http://arxiv.org/abs/2310.01174v3
- Date: Tue, 19 Mar 2024 15:14:39 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-21 00:40:38.399184
- Title: Light Schrödinger Bridge
- Title(参考訳): Light Schrödinger 橋
- Authors: Alexander Korotin, Nikita Gushchin, Evgeny Burnaev,
- Abstract要約: 我々は,軽量でシミュレーション不要で理論的に正当化されたSchr"odinger Bridgesソルバを開発した。
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類似している。
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。
- 参考スコア(独自算出の注目度): 72.88707358656869
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Despite the recent advances in the field of computational Schr\"odinger 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 Schr\"odinger potentials with sum-exp quadratic functions and (b) viewing the log-Schr\"odinger 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. Furthemore, we conduct the analysis of the generalization error of our light solver. The code for our solver can be found at https://github.com/ngushchin/LightSB
- Abstract(参考訳): Schr\"odinger Bridges (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Sinkhorn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。
本稿では,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つのアイデアのスマートな組み合わせです。
(a)sum-exp二次関数とSchr\"odingerポテンシャルのパラメータ化
b)log-Schr\"odinger電位をエネルギー関数として見る。
これらのアイデアを組み合わせることで、単純な最適化目的を持つ軽量でシミュレーション不要で理論的に正当化されたSBソルバが得られることを示す。
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類似している。
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。
さらに,光解像器の一般化誤差の解析を行った。
我々のソルバのコードはhttps://github.com/ngushchin/LightSBで確認できる。
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) - Generalized Schrödinger Bridge Matching [54.171931505066]
一般化Schr"odinger Bridge (GSB) 問題設定は、機械学習の内外を問わず、多くの科学領域で一般的である。
我々は最近の進歩に触発された新しいマッチングアルゴリズムである一般化シュリンガーブリッジマッチング(GSBM)を提案する。
このような一般化は条件最適制御の解法として、変分近似を用いることができることを示す。
論文 参考訳(メタデータ) (2023-10-03T17:42:11Z) - 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) - Sampling binary sparse coding QUBO models using a spiking neuromorphic
processor [3.0586855806896045]
画像のバイナリ表現を計算することの問題点を考察する。
我々は、与えられた入力を最もよく再構成する二進ベクトル最小セットの基底を見つけることを目指している。
これはいわゆる準非拘束バイナリ(QUBO)問題をもたらす。
論文 参考訳(メタデータ) (2023-06-02T22:47:18Z) - 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。