論文の概要: Entropic (Gromov) Wasserstein Flow Matching with GENOT
- arxiv url: http://arxiv.org/abs/2310.09254v3
- Date: Tue, 12 Mar 2024 19:24:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-14 18:28:02.731760
- Title: Entropic (Gromov) Wasserstein Flow Matching with GENOT
- Title(参考訳): Entropic (Gromov) Wasserstein Flow Matching with GENOT (特集 バイオサイバネティックスとバイオサイバネティックス)
- Authors: Dominik Klein, Th\'eo Uscidda, Fabian Theis, Marco Cuturi
- Abstract要約: テクスチジェニックエントロピック・ニューラルOT(GENOT)フレームワークは、最適テクスチテントロピ結合の条件分布$pi_varepsilon(*y|*x)$をモデル化する。
我々は、Gromov-Wasserstein問題に対して、サンプルベースで不均衡な解によって導かれる、任意のコストで、 GenOT がテキストタクロス空間をいかに輸送できるかを示す。
- 参考スコア(独自算出の注目度): 21.868602766832453
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Optimal transport (OT) theory has reshaped the field of generative modeling:
Combined with neural networks, recent \textit{Neural OT} (N-OT) solvers use OT
as an inductive bias, to focus on ``thrifty'' mappings that minimize average
displacement costs. This core principle has fueled the successful application
of N-OT solvers to high-stakes scientific challenges, notably single-cell
genomics. N-OT solvers are, however, increasingly confronted with practical
challenges: while most N-OT solvers can handle squared-Euclidean costs, they
must be repurposed to handle more general costs; their reliance on
deterministic Monge maps as well as mass conservation constraints can easily go
awry in the presence of outliers; mapping points \textit{across} heterogeneous
spaces is out of their reach. While each of these challenges has been explored
independently, we propose a new framework that can handle, natively, all of
these needs. The \textit{generative entropic neural OT} (GENOT) framework
models the conditional distribution $\pi_\varepsilon(\*y|\*x)$ of an optimal
\textit{entropic} coupling $\pi_\varepsilon$, using conditional flow matching.
GENOT is generative, and can transport points \textit{across} spaces, guided by
sample-based, unbalanced solutions to the Gromov-Wasserstein problem, that can
use any cost. We showcase our approach on both synthetic and single-cell
datasets, using GENOT to model cell development, predict cellular responses,
and translate between data modalities.
- Abstract(参考訳): ニューラルネットワークと組み合わせて、最近の \textit{Neural OT} (N-OT) ソルバは、OTを誘導バイアスとして使用し、平均変位コストを最小化する 'thrifty'' マッピングにフォーカスする。
この核となる原理は、N-OTソルバの高い科学的課題、特に単細胞ゲノミクスへの応用を成功に導いた。
しかし、N-OTソルバは、ほとんどのN-OTソルバは2乗ユークリッドコストを処理できるが、より一般的なコストに対処するために再利用されなければならない。
これらの課題はそれぞれ独立して検討されているが、これらのニーズをすべてネイティブに処理できる新しいフレームワークを提案する。
The \textit{generative entropic Neural OT} (GENOT) framework models the conditional distribution $\pi_\varepsilon(\*y|\*x)$ of an optimal \textit{entropic} coupling $\pi_\varepsilon$, using conditional flow matching。
GENOT は生成的であり、Gromov-Wasserstein 問題に対するサンプルベースで不均衡な解で導かれる点 \textit{across} を任意のコストで輸送することができる。
我々は、GENOTを用いて、細胞の発生をモデル化し、細胞応答を予測し、データモダリティ間の変換を行う。
関連論文リスト
- Learning with Norm Constrained, Over-parameterized, Two-layer Neural Networks [54.177130905659155]
近年の研究では、再生カーネル空間(RKHS)がニューラルネットワークによる関数のモデル化に適した空間ではないことが示されている。
有界ノルムを持つオーバーパラメータ化された2層ニューラルネットワークに適した関数空間について検討する。
我々は、$epsilon$-covering up $mathcalO(epsilon-frac2dd+2)$に対する計量エントロピーの改善結果を得る。
論文 参考訳(メタデータ) (2024-04-29T15:04:07Z) - A Pseudo-Semantic Loss for Autoregressive Models with Logical
Constraints [87.08677547257733]
ニューロシンボリックAIは、純粋にシンボリックな学習とニューラルな学習のギャップを埋める。
本稿では,ニューラルネットワークの出力分布に対するシンボリック制約の可能性を最大化する方法を示す。
また,スドクと最短経路予測の手法を自己回帰世代として評価した。
論文 参考訳(メタデータ) (2023-12-06T20:58:07Z) - Network Topology Inference with Sparsity and Laplacian Constraints [18.447094648361453]
我々はラプラシアの制約付きガウス図形モデルを用いてネットワークトポロジに取り組む。
この問題を解決するために,効率的なプロジェクションアルゴリズムが開発された。
論文 参考訳(メタデータ) (2023-09-02T15:06:30Z) - Neural Gromov-Wasserstein Optimal Transport [82.05269165407427]
本稿では,Gromov-Wasserstein (GW) Optimal Transport (OT) 問題を内部積コストで解くためのスケーラブルなニューラルネットワーク手法を提案する。
提案手法では,ニューラルネットワークとミニバッチ最適化を用いて,既存の手法の限界を克服する。
論文 参考訳(メタデータ) (2023-03-10T15:21:12Z) - Symmetric Tensor Networks for Generative Modeling and Constrained
Combinatorial Optimization [72.41480594026815]
ポートフォリオ最適化からロジスティクスに至るまで、制約付き最適化問題は業界に多い。
これらの問題の解決における主要な障害の1つは、有効な検索空間を制限する非自明なハード制約の存在である。
本研究では、Ax=bという形の任意の整数値等式制約をU(1)対称ネットワーク(TN)に直接エンコードし、それらの適用性を量子に着想を得た生成モデルとして活用する。
論文 参考訳(メタデータ) (2022-11-16T18:59:54Z) - On the Effective Number of Linear Regions in Shallow Univariate ReLU
Networks: Convergence Guarantees and Implicit Bias [50.84569563188485]
我々は、ラベルが$r$のニューロンを持つターゲットネットワークの符号によって決定されるとき、勾配流が方向収束することを示す。
我々の結果は、標本サイズによらず、幅が$tildemathcalO(r)$である、緩やかなオーバーパラメータ化をすでに維持しているかもしれない。
論文 参考訳(メタデータ) (2022-05-18T16:57:10Z) - 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) - Generative Adversarial Method Based on Neural Tangent Kernels [13.664682865991255]
GA-NTK(Generative Adversarial NTK)と呼ばれる新しい生成アルゴリズムを提案する。
GA-NTK は GAN に匹敵する画像を生成することができるが、様々な条件下での訓練がずっと容易である。
その結果,GA-NTK は GAN に匹敵する画像を生成することができるが,様々な条件下での訓練がより容易であることがわかった。
論文 参考訳(メタデータ) (2022-04-08T14:17:46Z) - Nearly Dimension-Independent Sparse Linear Bandit over Small Action
Spaces via Best Subset Selection [71.9765117768556]
本研究では,高次元線形モデルの下での文脈的帯域問題について考察する。
この設定は、パーソナライズされたレコメンデーション、オンライン広告、パーソナライズされた医療など、不可欠な応用を見出す。
本稿では,最適部分集合選択法を用いて2重成長エポックを推定する手法を提案する。
論文 参考訳(メタデータ) (2020-09-04T04:10:39Z)
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。