論文の概要: Sharp error estimates for target measure diffusion maps with
applications to the committor problem
- arxiv url: http://arxiv.org/abs/2312.14418v1
- Date: Fri, 22 Dec 2023 03:52:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-25 16:15:13.191805
- Title: Sharp error estimates for target measure diffusion maps with
applications to the committor problem
- Title（参考訳）: 目標測度拡散写像のシャープな誤差推定とコミッタ問題への応用
- Authors: Shashank Sule, Luke Evans and Maria Cameron
- Abstract要約: ターゲット測度拡散マップ(TMDmap)の整合性誤差に対する鋭い誤差推定値(Banisch et al. 2020)を得る。
結果として生じる収束速度はグラフラプラシアンの近似理論と一致する。
これらの結果を用いて、過度に破壊されたランゲヴィン力学によって支配されるシステムにおける希少事象の解析におけるTMDmapの重要な応用について研究する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We obtain asymptotically sharp error estimates for the consistency error of
the Target Measure Diffusion map (TMDmap) (Banisch et al. 2020), a variant of
diffusion maps featuring importance sampling and hence allowing input data
drawn from an arbitrary density. The derived error estimates include the bias
error and the variance error. The resulting convergence rates are consistent
with the approximation theory of graph Laplacians. The key novelty of our
results lies in the explicit quantification of all the prefactors on
leading-order terms. We also prove an error estimate for solutions of Dirichlet
BVPs obtained using TMDmap, showing that the solution error is controlled by
consistency error. We use these results to study an important application of
TMDmap in the analysis of rare events in systems governed by overdamped
Langevin dynamics using the framework of transition path theory (TPT). The
cornerstone ingredient of TPT is the solution of the committor problem, a
boundary value problem for the backward Kolmogorov PDE. Remarkably, we find
that the TMDmap algorithm is particularly suited as a meshless solver to the
committor problem due to the cancellation of several error terms in the
prefactor formula. Furthermore, significant improvements in bias and variance
errors occur when using a quasi-uniform sampling density. Our numerical
experiments show that these improvements in accuracy are realizable in practice
when using $\delta$-nets as spatially uniform inputs to the TMDmap algorithm.
- Abstract（参考訳）: 重要サンプリングを特徴とする拡散マップの変種である目標測度拡散マップ(tmdmap,banisch et al. 2020)の一貫性エラーに対する漸近的に鋭い誤差推定を行い,任意の密度から入力データを抽出できるようにした。
導出誤差推定にはバイアス誤差と分散誤差が含まれる。
結果として得られる収束率はグラフラプラシアンの近似理論と一致する。
結果の重要新しさは、先行項上のすべての前因子の明示的な定量化にある。
また, TMDmapを用いて得られたディリクレBVPの解に対して, 解誤差が整合誤差によって制御されることを示す。
これらの結果を用いて,遷移経路理論(tpt)の枠組みを用いた過減衰ランジュバン力学が制御する系における希少事象の解析におけるtmdmapの応用について検討した。
TPTの礎石成分はコミッタ問題の解であり、コルモゴロフ PDE に対する境界値問題である。
注目すべきことに、TMDmapアルゴリズムは、プレファクタ式におけるいくつかのエラー項のキャンセルによるコミッタ問題に対するメッシュレス解法として特に適している。
さらに, 準均一サンプリング密度を用いた場合, バイアスおよび分散誤差の顕著な改善が生じる。
TMDmapアルゴリズムの空間的均一な入力として$\delta$-netsを使用することで,これらの精度の向上が実現可能であることを示す。
関連論文リスト
- Neural Error Covariance Estimation for Precise LiDAR Localization [1.8874331450711404]
本稿では,LiDARマップマッチングにおける局所化誤差の共分散を予測するニューラルネットワークベースのフレームワークを提案する。
評価では,局所化精度が2cm向上し,領域が大幅に向上した。
論文 参考訳（メタデータ） (2025-01-05T14:20:08Z) - Distributionally Robust Optimization via Iterative Algorithms in Continuous Probability Spaces [6.992239210938067]
最短ケースの分布が連続している場合、分布的ロバストな最適化(DRO)によって動機付けられたミニマックス問題を考える。
最近の研究では、ニューラルネットワークに基づく生成ネットワークを用いた最悪のケース分布の学習について検討されている。
本稿では,そのようなミニマックス問題を解くための反復アルゴリズムを提案することによって,この理論的課題を橋渡しする。
論文 参考訳（メタデータ） (2024-12-29T19:31:23Z) - 2-Rectifications are Enough for Straight Flows: A Theoretical Insight into Wasserstein Convergence [54.580605276017096]
本稿では, 凝固流のサンプリング分布とターゲット分布とのワッサーシュタイン距離に関する最初の理論的解析を行った。
ガウス流から有限の第一モーメントを持つ任意の一般目標分布への整流の場合、直流を達成するのに2つの整流が十分であることを示す。
論文 参考訳（メタデータ） (2024-10-19T02:36:11Z) - Total Uncertainty Quantification in Inverse PDE Solutions Obtained with Reduced-Order Deep Learning Surrogate Models [50.90868087591973]
機械学習サロゲートモデルを用いて得られた逆PDE解の総不確かさを近似したベイズ近似法を提案する。
非線型拡散方程式に対する反復的アンサンブルスムーズおよび深層アンサンブル法との比較により,提案手法を検証した。
論文 参考訳（メタデータ） (2024-08-20T19:06:02Z) - Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。
本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。
我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
論文 参考訳（メタデータ） (2024-07-19T13:33:38Z) - Flow-based Distributionally Robust Optimization [23.232731771848883]
We present a framework, called $textttFlowDRO$, for solve flow-based distributionally robust optimization (DRO) problem with Wasserstein uncertainty set。
我々は、連続した最悪のケース分布(Last Favorable Distribution, LFD)とそれからのサンプルを見つけることを目指している。
本稿では、逆学習、分布論的に堅牢な仮説テスト、およびデータ駆動型分布摂動差分プライバシーの新しいメカニズムを実証する。
論文 参考訳（メタデータ） (2023-10-30T03:53:31Z) - Distributed Variational Inference for Online Supervised Learning [15.038649101409804]
本稿では,スケーラブルな分散確率的推論アルゴリズムを提案する。
センサネットワークにおける連続変数、難解な後部データ、大規模リアルタイムデータに適用できる。
論文 参考訳（メタデータ） (2023-09-05T22:33:02Z) - Combating Mode Collapse in GANs via Manifold Entropy Estimation [70.06639443446545]
Generative Adversarial Networks (GAN) は、様々なタスクやアプリケーションにおいて魅力的な結果を示している。
GANのモード崩壊問題に対処するための新しいトレーニングパイプラインを提案する。
論文 参考訳（メタデータ） (2022-08-25T12:33:31Z) - Improving Diffusion Models for Inverse Problems using Manifold Constraints [55.91148172752894]
我々は,現在の解法がデータ多様体からサンプルパスを逸脱し,エラーが蓄積することを示す。
この問題に対処するため、多様体の制約に着想を得た追加の補正項を提案する。
本手法は理論上も経験上も従来の方法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-06-02T09:06:10Z) - Differentiable Annealed Importance Sampling and the Perils of Gradient
Noise [68.44523807580438]
Annealed importance sample (AIS) と関連するアルゴリズムは、限界推定のための非常に効果的なツールである。
差別性は、目的として限界確率を最適化する可能性を認めるため、望ましい性質である。
我々はメトロポリス・ハスティングスのステップを放棄して微分可能アルゴリズムを提案し、ミニバッチ計算をさらに解き放つ。
論文 参考訳（メタデータ） (2021-07-21T17:10:14Z) - Spectral convergence of diffusion maps: improved error bounds and an
alternative normalisation [0.6091702876917281]
本稿では,分布がハイパートーラス上でサポートされているモデルの場合の誤差境界を改善するために,新しい手法を用いる。
我々は、スペクトルデータと演算子離散化のノルム収束の両方に対して、長年のポイントワイズ誤差境界と一致する。
また、シンクホーン重みに基づく拡散写像の別の正規化も導入する。
論文 参考訳（メタデータ） (2020-06-03T04:23:43Z)
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。