論文の概要: Federated Wasserstein Distance

• arxiv url: http://arxiv.org/abs/2310.01973v1
• Date: Tue, 3 Oct 2023 11:30:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-04 14:39:38.832312
• Title: Federated Wasserstein Distance
• Title（参考訳）: Federated Wasserstein Distance
• Authors: Alain Rakotomamonjy, Kimia Nadjahi, Liva Ralaivola
• Abstract要約: 本稿では、2つの分布間のワッサーシュタイン距離を連合的に計算する原理的方法を紹介する。 中央のエンティティ/サーバが計算をオーケストレーションしている間に、異なるデバイス/クライアントに格納および保持されている2つのサンプル間のWasserstein距離を推定する方法を示す。
• 参考スコア（独自算出の注目度）: 16.892296712204597
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We introduce a principled way of computing the Wasserstein distance between two distributions in a federated manner. Namely, we show how to estimate the Wasserstein distance between two samples stored and kept on different devices/clients whilst a central entity/server orchestrates the computations (again, without having access to the samples). To achieve this feat, we take advantage of the geometric properties of the Wasserstein distance -- in particular, the triangle inequality -- and that of the associated {\em geodesics}: our algorithm, FedWad (for Federated Wasserstein Distance), iteratively approximates the Wasserstein distance by manipulating and exchanging distributions from the space of geodesics in lieu of the input samples. In addition to establishing the convergence properties of FedWad, we provide empirical results on federated coresets and federate optimal transport dataset distance, that we respectively exploit for building a novel federated model and for boosting performance of popular federated learning algorithms.
• Abstract（参考訳）: 本稿では、2つの分布間のワッサーシュタイン距離を連合的に計算する原理的方法を紹介する。 すなわち、中央のエンティティ/サーバが(サンプルにアクセスせずに)計算をオーケストレーションしている間、異なるデバイス/クライアントに格納された2つのサンプル間のワッサースタイン距離を推定する方法を示す。 この結果を達成するために、ワッサースタイン距離(特に三角不等式)と関連する測地線(英語版)(em geodesics)の幾何学的性質(federated wasserstein distance)を利用する:我々のアルゴリズム、federated wasserstein distance)は、入力サンプルの代わりに測地線空間から分布を操作・交換することでワッサースタイン距離を反復的に近似する。 我々は,FedWadの収束特性の確立に加えて,フェデレートコアセットとフェデレート最適輸送データセット距離に関する実験結果を提供し,新しいフェデレーションモデルの構築と,一般的なフェデレーション学習アルゴリズムの性能向上に活用する。

関連論文リスト

• Point Cloud Classification via Deep Set Linearized Optimal Transport [51.99765487172328]
  我々は,点雲をL2-$spaceに効率的に同時埋め込むアルゴリズムであるDeep Set Linearized Optimal Transportを紹介した。 この埋め込みはワッサーシュタイン空間内の特定の低次元構造を保持し、点雲の様々なクラスを区別する分類器を構成する。 我々は,有限個のラベル付き点雲を持つフローデータセットの実験を通じて,標準的な深層集合アプローチに対するアルゴリズムの利点を実証する。
  論文  参考訳（メタデータ） (2024-01-02T23:26:33Z)
• Information Entropy Initialized Concrete Autoencoder for Optimal Sensor Placement and Reconstruction of Geophysical Fields [58.720142291102135]
  そこで本稿では,スパーク計測による地場再構成のためのセンサ配置の最適化について提案する。 本研究では, (a) 温度と (b) バレンツ海周辺の塩分濃度場とスバルバルド諸島群を例に示す。 得られた最適センサ位置は, 物理的解釈が明確であり, 海流の境界に対応することが判明した。
  論文  参考訳（メタデータ） (2022-06-28T12:43:38Z)
• Wasserstein t-SNE [25.241296604908424]
  本稿では,ワッサーシュタイン距離距離計を用いた階層的データセットの探索的解析手法を開発した。 対のワッサーシュタイン距離の行列に基づいて、t-SNEを用いて単位の2次元埋め込みを構築する。
  論文  参考訳（メタデータ） (2022-05-16T09:09:24Z)
• Optimal 1-Wasserstein Distance for WGANs [2.1174215880331775]
  有限標本とレジームの両方において、WGAN(Wasserstein GANs)を徹底的に解析する。 半離散状態における最適輸送理論の新たな結果を導出する。
  論文  参考訳（メタデータ） (2022-01-08T13:04:03Z)
• Learning High Dimensional Wasserstein Geodesics [55.086626708837635]
  高次元の2つの確率分布の間のワッサーシュタイン測地線を計算するための新しい定式化と学習戦略を提案する。 ラグランジュ乗算器の手法を最適輸送(OT)問題の動的定式化に適用することにより、サドル点がワッサーシュタイン測地線であるミニマックス問題を導出する。 次に、深層ニューラルネットワークによる関数のパラメータ化を行い、トレーニングのためのサンプルベースの双方向学習アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2021-02-05T04:25:28Z)
• Two-sample Test using Projected Wasserstein Distance [18.46110328123008]
  統計学と機械学習の基本的な問題である2サンプルテストのための予測されたワッサースタイン距離を開発する。 重要な貢献は、投影された確率分布の間のワッサーシュタイン距離を最大化する低次元線型写像を見つけるために最適射影を結合することである。
  論文  参考訳（メタデータ） (2020-10-22T18:08:58Z)
• Continuous Regularized Wasserstein Barycenters [51.620781112674024]
  正規化ワッサーシュタイン・バリセンタ問題に対する新しい双対定式化を導入する。 我々は、強い双対性を確立し、対応する主対関係を用いて、正規化された輸送問題の双対ポテンシャルを用いて暗黙的にバリセンターをパラメトリゼーションする。
  論文  参考訳（メタデータ） (2020-08-28T08:28:06Z)
• On Projection Robust Optimal Transport: Sample Complexity and Model Misspecification [101.0377583883137]
  射影ロバスト(PR)OTは、2つの測度の間のOTコストを最大化するために、射影可能な$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)
• When OT meets MoM: Robust estimation of Wasserstein Distance [8.812837829361923]
  本稿では,2つの確率分布間のワッサーシュタイン距離を,観測結果が外れ値によって汚染されると推定する問題を考察する。 データ汚染モデルに基づいて, 一貫性を検証した新しいMoMベースのロバスト推定器について紹介し, 議論する。 そこで本研究では,シンクホーンアルゴリズムと組み合わせて使用可能な,シンプルなMoMに基づく再重み付け手法を提案する。
  論文  参考訳（メタデータ） (2020-06-18T07:31:39Z)
• Fast and Robust Comparison of Probability Measures in Heterogeneous Spaces [62.35667646858558]
  本稿では, アンカー・エナジー (AE) とアンカー・ワッサースタイン (AW) 距離を紹介する。 我々の主な貢献は、素案実装が立方体となる対数四重項時間でAEを正確に計算するスイープラインアルゴリズムを提案することである。 AE と AW は,一般的な GW 近似の計算コストのごく一部において,様々な実験環境において良好に動作することを示す。
  論文  参考訳（メタデータ） (2020-02-05T03:09:23Z)

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。