Fugu-MT 論文翻訳(概要): Quasi Manhattan Wasserstein Distance

論文の概要: Quasi Manhattan Wasserstein Distance

arxiv url: http://arxiv.org/abs/2310.12498v1
Date: Thu, 19 Oct 2023 06:04:48 GMT
ステータス: 処理完了
システム内更新日: 2023-10-20 16:34:13.779865
Title: Quasi Manhattan Wasserstein Distance
Title（参考訳）: 準マンハッタンワッサースタイン距離
Authors: Evan Unit Lim
Abstract要約: クエージ・マンハッタン・ワッサースタイン距離(Quasi Manhattan Wasserstein Distance, QMWD)は、ワッサースタイン距離の要素を特定の変換と組み合わせることで、2つの行列間の相似性を定量化する計量である。マンハッタン・ワッサースタイン・ディスタンス(MWD)と比較して、精度を保ちながら時間と空間の複雑さを改善している。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The Quasi Manhattan Wasserstein Distance (QMWD) is a metric designed to quantify the dissimilarity between two matrices by combining elements of the Wasserstein Distance with specific transformations. It offers improved time and space complexity compared to the Manhattan Wasserstein Distance (MWD) while maintaining accuracy. QMWD is particularly advantageous for large datasets or situations with limited computational resources. This article provides a detailed explanation of QMWD, its computation, complexity analysis, and comparisons with WD and MWD.
Abstract（参考訳）: クエージ・マンハッタン・ワッサースタイン距離(Quasi Manhattan Wasserstein Distance, QMWD)は、ワッサースタイン距離の要素を特定の変換と組み合わせることで、2つの行列間の相似性を定量化する計量である。精度を維持しつつ、マンハッタン・ワッサースタイン距離(mwd)よりも時間と空間の複雑さが向上した。 QMWDは計算資源が限られている大規模なデータセットや状況に対して特に有利である。本稿では、QMWD、計算、複雑性分析、WDおよびMWDとの比較について詳述する。

関連論文リスト

Private Wasserstein Distance with Random Noises [7.459793194754823]
ワッサーシュタイン空間の基底となる三角形の性質について検討し、トライアングルワッド(TriangleWad)という簡単な解が導かれる。 TriangleWadは20倍高速で、生のデータ情報を真に見えなくし、攻撃に対するレジリエンスを高め、推定精度を犠牲にしない。
論文参考訳（メタデータ） (2024-04-10T06:58:58Z)
A Class of Topological Pseudodistances for Fast Comparison of Persistence Diagrams [0.3968603035422276]
拡張トポロジカル擬似距離(ETD)という擬似距離のクラスを導入する。 ETDはチューナブルな複雑さを持ち、スライク距離と古典的なワッサーシュタイン距離を高複素度極大で近似することができる。 ETDがPSよりも精度が高く、計算複雑性の点でワッサースタインとスライスされたワッサースタイン距離より優れていることを実験的に検証した。
論文参考訳（メタデータ） (2024-02-22T12:27:35Z)
Gromov-Wasserstein-like Distances in the Gaussian Mixture Models Space [5.052293146674793]
グロモフ=ワッサーシュタイン距離は、異なる距離空間の分布を比較するために機械学習でよく用いられる。近年、ガウス混合モデル(GMM)に特化して、MW2として知られる新しいワッサーシュタイン距離が導入されている。本稿では、ユークリッド空間において等距離不変であるように設計された新しいグロモフ型距離を導入する。
論文参考訳（メタデータ） (2023-10-17T13:22:36Z)
Linearized Wasserstein dimensionality reduction with approximation guarantees [65.16758672591365]
LOT Wassmap は、ワーッサーシュタイン空間の低次元構造を明らかにするための計算可能なアルゴリズムである。我々は,LOT Wassmapが正しい埋め込みを実現し,サンプルサイズの増加とともに品質が向上することを示す。また、LOT Wassmapがペア距離計算に依存するアルゴリズムと比較して計算コストを大幅に削減することを示す。
論文参考訳（メタデータ） (2023-02-14T22:12:16Z)
Markovian Sliced Wasserstein Distances: Beyond Independent Projections [51.80527230603978]
我々は、射影方向にマルコフ構造を課す新しいSW距離の族、Markovian sliced Wasserstein (MSW) 距離を導入する。フロー,色移動,深部生成モデルなどの様々な応用において,従来のSW変種との距離を比較し,MSWの良好な性能を示す。
論文参考訳（メタデータ） (2023-01-10T01:58:15Z)
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)
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)
Augmented Sliced Wasserstein Distances [55.028065567756066]
拡張スライスされたワッサーシュタイン距離(ASWD)と呼ばれる新しい距離測定法を提案する。 ASWDは、ニューラルネットワークによってパラメータ化された高次元超曲面への最初のマッピングサンプルによって構成される。数値的な結果から、ASWDは、合成問題と実世界の問題の両方において、他のワッサーシュタイン変種を著しく上回っていることが示されている。
論文参考訳（メタデータ） (2020-06-15T23:00:08Z)
Projection Robust Wasserstein Distance and Riemannian Optimization [107.93250306339694]
プロジェクション・ソリッドスタイン(PRW)は、ワッサーシュタイン・プロジェクション(WPP)のロバストな変種であることを示す。本稿では,PRW距離の計算への第一歩として,その理論と実データに関する実験の関連について述べる。
論文参考訳（メタデータ） (2020-06-12T20:40:22Z)
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。