論文の概要: Anchor Space Optimal Transport: Accelerating Batch Processing of
Multiple OT Problems
- arxiv url: http://arxiv.org/abs/2310.16123v1
- Date: Tue, 24 Oct 2023 18:55:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-26 18:26:38.750129
- Title: Anchor Space Optimal Transport: Accelerating Batch Processing of
Multiple OT Problems
- Title（参考訳）: アンカー空間最適輸送:複数のOT問題のバッチ処理の高速化
- Authors: Jianming Huang, Xun Su, Zhongxi Fang, Hiroyuki Kasai
- Abstract要約: 本稿では、アンカー空間最適輸送(ASOT)問題として指定された翻訳OT問題を提案する。
提案したASOT問題に対しては、分布を共有アンカー点空間にマッピングし、潜在的な共通特性を学習する。
提案したASOTに基づいて、元のOT問題に対するワッサーシュタイン距離誤差は、地価誤差によって有界であることが証明された。
- 参考スコア（独自算出の注目度）: 13.846014191157405
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The optimal transport (OT) theory provides an effective way to compare
probability distributions on a defined metric space, but it suffers from cubic
computational complexity. Although the Sinkhorn's algorithm greatly reduces the
computational complexity of OT solutions, the solutions of multiple OT problems
are still time-consuming and memory-comsuming in practice. However, many works
on the computational acceleration of OT are usually based on the premise of a
single OT problem, ignoring the potential common characteristics of the
distributions in a mini-batch. Therefore, we propose a translated OT problem
designated as the anchor space optimal transport (ASOT) problem, which is
specially designed for batch processing of multiple OT problem solutions. For
the proposed ASOT problem, the distributions will be mapped into a shared
anchor point space, which learns the potential common characteristics and thus
help accelerate OT batch processing. Based on the proposed ASOT, the
Wasserstein distance error to the original OT problem is proven to be bounded
by ground cost errors. Building upon this, we propose three methods to learn an
anchor space minimizing the distance error, each of which has its application
background. Numerical experiments on real-world datasets show that our proposed
methods can greatly reduce computational time while maintaining reasonable
approximation performance.
- Abstract（参考訳）: 最適輸送(ot)理論は、定義された距離空間上の確率分布を比較する効果的な方法を提供するが、立方体計算の複雑さに苦しむ。
シンクホーンのアルゴリズムはotソリューションの計算複雑性を大幅に削減するが、複数のot問題の解は依然として時間消費とメモリ消費である。
しかし、OTの計算加速度に関する多くの研究は、通常、単一OT問題の前提に基づいており、ミニバッチにおける分布の潜在的共通特性を無視している。
そこで本研究では,複数のOT問題解のバッチ処理に特化して設計された,アンカー空間最適輸送(ASOT)問題として指定された翻訳OT問題を提案する。
提案したASOT問題に対して、分布を共有アンカー点空間にマッピングすることで、潜在的な共通特性を学習し、OTバッチ処理を高速化する。
提案する asot に基づいて、元の ot 問題に対する wasserstein 距離誤差は、地上コスト誤差によって境界づけられることが証明される。
そこで本研究では,距離誤差を最小限に抑えるアンカー空間を3つの手法で学習する手法を提案する。
実世界のデータセットの数値実験により,提案手法は妥当な近似性能を維持しつつ計算時間を劇的に短縮できることを示した。
関連論文リスト
- Overcoming Fake Solutions in Semi-Dual Neural Optimal Transport: A Smoothing Approach for Learning the Optimal Transport Plan [5.374547520354591]
ニューラルネットワークでOTマップを学習する手段として広く使用されているセミデュアルニューラルネットワークは、ひとつのディストリビューションを正確に別のディストリビューションに転送できない偽のソリューションを生成することが多い。
本稿では, OTマップと最適輸送計画の両方を学習し, 2つの分布間の最適結合を表現した新しい OTP を提案する。
実験の結果,OTPモデルは既存の手法が失敗する最適なトランスポートマップを復元し,画像と画像の変換タスクにおいて現在のOTベースモデルより優れていることがわかった。
論文 参考訳（メタデータ） (2025-02-07T00:37:12Z) - A Statistical Learning Perspective on Semi-dual Adversarial Neural Optimal Transport Solvers [65.28989155951132]
本稿では,ミニマックス二次OT解法により得られた近似OT写像の一般化誤差の上限を確立する。
解析は二次 OT に焦点をあてるが、より一般的な OT の定式化のために類似した境界を導出できると考えている。
論文 参考訳（メタデータ） (2025-02-03T12:37:20Z) - Energy-Guided Continuous Entropic Barycenter Estimation for General Costs [95.33926437521046]
任意のOTコスト関数に対して連続的エントロピーOT(EOT)バリセンタを近似する新しいアルゴリズムを提案する。
本手法は、弱いOTに基づくEOT問題の二重再構成に基づいている。
論文 参考訳（メタデータ） (2023-10-02T11:24:36Z) - Light Unbalanced Optimal Transport [69.18220206873772]
理論的に最適化され、軽量で、バランスの取れないEOTソルバを提案する。
我々の進歩は、トラクタブルと非ミニマックス最適化の目的をもたらすUEOT問題の最適化に関する新しい視点の開発である。
我々は,この解法がUEOT解の普遍近似を提供し,一般化限界を得ることを示す。
論文 参考訳（メタデータ） (2023-03-14T15:44:40Z) - Unbalanced Optimal Transport, from Theory to Numerics [0.0]
我々は、不均衡なOT、エントロピー正則化、Gromov-Wasserstein (GW) が、データサイエンスの効率的な幾何学的損失関数にOTを変換するために、ハンドインで機能すると主張している。
このレビューの主な動機は、不均衡なOT、エントロピー正則化、GWがいかに協力してOTをデータ科学の効率的な幾何学的損失関数に変えるかを説明することである。
論文 参考訳（メタデータ） (2022-11-16T09:02:52Z) - Entropic Neural Optimal Transport via Diffusion Processes [105.34822201378763]
本稿では,連続確率分布間のエントロピー最適輸送(EOT)計画を計算するための新しいアルゴリズムを提案する。
提案アルゴリズムは,シュリンガーブリッジ問題(Schr"odinger Bridge problem)として知られるEOTの動的バージョンのサドル点再構成に基づく。
大規模EOTの従来の手法とは対照的に,我々のアルゴリズムはエンドツーエンドであり,単一の学習ステップで構成されている。
論文 参考訳（メタデータ） (2022-11-02T14:35:13Z) - Sparsity-Constrained Optimal Transport [27.76137474217754]
正規化された最適輸送は、ニューラルネットワークの損失層やマッチング層として、ますます利用されている。
本稿では,交通計画に明示的な基数制約を課したOTに対する新しいアプローチを提案する。
本手法は,非正規化OT($k$の場合)と二次正規化OT($k$が十分に大きい場合)の中間地盤と考えることができる。
論文 参考訳（メタデータ） (2022-09-30T13:39:47Z) - Low-rank Optimal Transport: Approximation, Statistics and Debiasing [51.50788603386766]
フロゼットボン2021ローランで提唱された低ランク最適輸送(LOT)アプローチ
LOTは興味のある性質と比較した場合、エントロピー正則化の正当な候補と見なされる。
本稿では,これらの領域のそれぞれを対象とし,計算OTにおける低ランクアプローチの影響を補強する。
論文 参考訳（メタデータ） (2022-05-24T20:51:37Z) - A Survey on Optimal Transport for Machine Learning: Theory and
Applications [1.1279808969568252]
最適輸送(OT)理論はコンピュータ科学コミュニティから注目を集めている。
本稿では,簡単な紹介と歴史,先行研究の紹介,今後の研究の方向性について述べる。
論文 参考訳（メタデータ） (2021-06-03T16:10:42Z) - Manifold optimization for optimal transport [34.88495814664577]
Optimal Transport (OT)は、機械学習に広く関心を寄せている。
多様体の最適化の枠組みの中でOT問題にアプローチする方法について議論します。
Manifold最適化ベースの最適トランスポート(MOT)レポジトリを,PythonとMatlabのOT問題を解決する上で有用なコードで提供しています。
論文 参考訳（メタデータ） (2021-03-01T10:49:19Z) - Joint Wasserstein Distribution Matching [89.86721884036021]
JDM問題(Joint Distribution matching)は、2つのドメインの関節分布を一致させるために双方向マッピングを学習することを目的としており、多くの機械学習およびコンピュータビジョンアプリケーションで発生している。
2つの領域における関節分布のワッサーシュタイン距離を最小化することにより、JDM問題に対処することを提案する。
そこで我々は,難解な問題を簡単な最適化問題に還元する重要な定理を提案し,その解法を開発した。
論文 参考訳（メタデータ） (2020-03-01T03:39:00Z)
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。