論文の概要: A Computational Framework for Solving Wasserstein Lagrangian Flows
- arxiv url: http://arxiv.org/abs/2310.10649v2
- Date: Tue, 17 Oct 2023 17:55:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-18 10:48:37.626589
- Title: A Computational Framework for Solving Wasserstein Lagrangian Flows
- Title(参考訳): ワッサーシュタインラグランジアン流れを解くための計算フレームワーク
- Authors: Kirill Neklyudov, Rob Brekelmans, Alexander Tong, Lazar Atanackovic,
Qiang Liu, Alireza Makhzani
- Abstract要約: 本稿では,これらすべての問題に統一的な視点からアプローチする,新しいディープラーニングベースのフレームワークを提案する。
本手法では, 学習力学の軌跡をシミュレーション・バックプロパゲートする必要はない。
提案手法は, 単セル軌道推定における従来の手法より優れていることを示す。
- 参考スコア(独自算出の注目度): 51.32751290160936
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The dynamical formulation of the optimal transport can be extended through
various choices of the underlying geometry ($\textit{kinetic energy}$), and the
regularization of density paths ($\textit{potential energy}$). These
combinations yield different variational problems ($\textit{Lagrangians}$),
encompassing many variations of the optimal transport problem such as the
Schr\"odinger bridge, unbalanced optimal transport, and optimal transport with
physical constraints, among others. In general, the optimal density path is
unknown, and solving these variational problems can be computationally
challenging. Leveraging the dual formulation of the Lagrangians, we propose a
novel deep learning based framework approaching all of these problems from a
unified perspective. Our method does not require simulating or backpropagating
through the trajectories of the learned dynamics, and does not need access to
optimal couplings. We showcase the versatility of the proposed framework by
outperforming previous approaches for the single-cell trajectory inference,
where incorporating prior knowledge into the dynamics is crucial for correct
predictions.
- Abstract(参考訳): 最適輸送の動的定式化は、基礎となる幾何(\textit{kinetic energy}$)と密度経路の正規化(\textit{potential energy}$)の様々な選択を通して拡張することができる。
これらの組み合わせは異なる変分問題("\textit{Lagrangians}$")をもたらし、シュリンガー橋、不均衡の最適輸送、物理的制約のある最適輸送など、最適な輸送問題の多くのバリエーションを含んでいる。
一般に、最適密度経路は未知であり、これらの変動問題の解法は計算的に困難である。
そこで,ラグランジアンの二重定式化を活かし,これらすべての問題に対して統一的な視点からアプローチする新しい深層学習型フレームワークを提案する。
本手法では,学習力学の軌跡をシミュレーションしたり逆伝播したりする必要はなく,最適結合へのアクセスは不要である。
本稿では, 単一セル軌道推定における従来の手法よりも優れた手法として, 従来の知識を動的に組み込むことが, 正しい予測に不可欠であることを示す。
関連論文リスト
- Equivariant Deep Weight Space Alignment [57.916984562571216]
本稿では,ウェイトアライメント問題を解決するための学習を目的とした新しいフレームワークを提案する。
まず、重み調整が2つの基本対称性に一致することを証明し、それからこれらの対称性を尊重する深いアーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-10-20T10:12:06Z) - Optimizing Solution-Samplers for Combinatorial Problems: The Landscape
of Policy-Gradient Methods [52.0617030129699]
本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。
我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。
本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
論文 参考訳(メタデータ) (2023-10-08T23:39:38Z) - Optimal Transport with Tempered Exponential Measures [33.07787452859956]
間接測度正規化を伴う指数族を一般化することは、非常に便利な中核となる。
我々の定式化は、不均衡な最適輸送問題設定に自然に適合する。
論文 参考訳(メタデータ) (2023-09-07T20:53:23Z) - Path Signatures for Diversity in Probabilistic Trajectory Optimisation [24.101232487591094]
移動計画は、発生した軌道の関数としてコストを最小化する軌道最適化問題としてキャストすることができる。
近年のハードウェアの進歩により、複数の解が同時に得られる並列軌道最適化が可能になった。
本稿では, 並列軌道最適化のアルゴリズムを提案し, 解域の多様性を向上し, モード崩壊を回避する。
論文 参考訳(メタデータ) (2023-08-08T06:10:53Z) - Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。
本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文 参考訳(メタデータ) (2023-01-28T01:50:42Z) - Constrained Mass Optimal Transport [0.0]
本稿では,制約付き最適輸送の問題を紹介する。
アルゴリズムの族は制約付きサドル点問題のクラスを解くために導入された。
収束証明と数値結果を示す。
論文 参考訳(メタデータ) (2022-06-05T06:47:25Z) - Online Learning to Transport via the Minimal Selection Principle [2.3857747529378917]
決定変数が凸, 三次元オブジェクトであるオンライン学習輸送(OLT)問題について検討する。
我々は、平均場と離散化技術を用いてORT問題を解決するために、最小選択探索法(SoMLT)と呼ばれる新しい手法を導出した。
論文 参考訳(メタデータ) (2022-02-09T21:25:58Z) - Optimization on manifolds: A symplectic approach [127.54402681305629]
本稿では、最適化問題を解くための一般的な枠組みとして、ディラックの制約付きハミルトン系理論の散逸拡張を提案する。
我々の(加速された)アルゴリズムのクラスは単純で効率的なだけでなく、幅広い文脈にも適用できる。
論文 参考訳(メタデータ) (2021-07-23T13:43:34Z) - On the Connection between Dynamical Optimal Transport and Functional
Lifting [0.0]
本研究では、固定範囲$Gamma$上の空間への埋め込みに基づく数学的に厳密な定式化について検討する。
連続性方程式を変更することで、より高次正則化のモデルにアプローチを拡張できる。
論文 参考訳(メタデータ) (2020-07-06T08:53:35Z) - Robust Reinforcement Learning with Wasserstein Constraint [49.86490922809473]
最適なロバストなポリシーの存在を示し、摂動に対する感度分析を行い、新しいロバストな学習アルゴリズムを設計する。
提案アルゴリズムの有効性はCart-Pole環境で検証する。
論文 参考訳(メタデータ) (2020-06-01T13:48:59Z)
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。