Fugu-MT 論文翻訳(概要): Squared Wasserstein-2 Distance for Efficient Reconstruction of Stochastic Differential Equations

論文の概要: Squared Wasserstein-2 Distance for Efficient Reconstruction of Stochastic Differential Equations

arxiv url: http://arxiv.org/abs/2401.11354v1
Date: Sun, 21 Jan 2024 00:54:50 GMT
ステータス: 処理完了
システム内更新日: 2024-01-23 16:55:25.124643
Title: Squared Wasserstein-2 Distance for Efficient Reconstruction of Stochastic Differential Equations
Title（参考訳）: 正方形ワッサースタイン-2 確率微分方程式の効率的な再構成のための距離
Authors: Mingtao Xia and Xiangting Li and Qijing Shen and Tom Chou
Abstract要約: We provide a analysis of the squared $W$ distance between two probability distributions associated with Wasserstein differential equations (SDEs)。そこで本研究では,雑音データからのSDEのテクスト再構成における距離に基づく2乗損失関数の利用を提案する。
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 provide an analysis of the squared Wasserstein-2 ($W_2$) distance between two probability distributions associated with two stochastic differential equations (SDEs). Based on this analysis, we propose the use of a squared $W_2$ distance-based loss functions in the \textit{reconstruction} of SDEs from noisy data. To demonstrate the practicality of our Wasserstein distance-based loss functions, we performed numerical experiments that demonstrate the efficiency of our method in reconstructing SDEs that arise across a number of applications.
Abstract（参考訳）: 2つの確率微分方程式(SDE)に関連する2つの確率分布間の正方形ワッサーシュタイン-2(W_2$)距離を解析する。この分析に基づき、ノイズデータからSDEの \textit{reconstruction} に2乗の$W_2$距離に基づく損失関数を適用することを提案する。ワッサーシュタイン距離に基づく損失関数の実用性を示すため,多くの応用にまたがるSDEの再構成において,本手法の有効性を示す数値実験を行った。

関連論文リスト

Solving the 2D Advection-Diffusion Equation using Fixed-Depth Symbolic Regression and Symbolic Differentiation without Expression Trees [0.0]
本稿では,固定深さのシンボルレグレッションと表現木を含まない記号微分を用いた2次元対流拡散方程式の解法を提案する。異なる初期条件と境界条件を持つ2つのケースに適用され、その精度と近似解を効率的に見つける能力を示す。
論文参考訳（メタデータ） (2024-10-18T06:11:17Z)
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)
Solving Poisson Equations using Neural Walk-on-Spheres [80.1675792181381]
高次元ポアソン方程式の効率的な解法としてニューラルウォーク・オン・スフェース(NWoS)を提案する。我々は,NWoSの精度,速度,計算コストにおける優位性を実証した。
論文参考訳（メタデータ） (2024-06-05T17:59:22Z)
Correction to "Wasserstein distance estimates for the distributions of numerical approximations to ergodic stochastic differential equations" [1.2691047660244337]
Wasserstein-2距離におけるエルゴードSDEの数値離散化の非漸近的保証を解析する方法を示す。
論文参考訳（メタデータ） (2024-02-13T18:31:55Z)
SA-Solver: Stochastic Adams Solver for Fast Sampling of Diffusion Models [66.67616086310662]
拡散確率モデル(DPM)は生成タスクでかなりの成功を収めた。 DPM からのサンプリングは、時間を要する拡散 SDE や ODE の解法と等価であるため、改良された微分方程式解法に基づく多数の高速サンプリング手法が提案されている。拡散SDEを解くための効率の良いAdams法であるSA-of-rを提案する。
論文参考訳（メタデータ） (2023-09-10T12:44:54Z)
Optimal Neural Network Approximation of Wasserstein Gradient Direction via Convex Optimization [43.6961980403682]
ワッサーシュタイン勾配方向の計算は、後続サンプリング問題や科学計算に不可欠である。正方形ReLUアクティベーションを持つ2層ネットワーク群において、半定値プログラミング(SDP)緩和を導出する変動問題について検討する。このSDPは、2層ネットワークを含むより広い関数群におけるワッサーシュタイン勾配の近似と見なすことができる。
論文参考訳（メタデータ） (2022-05-26T00:51:12Z)
Scalable Inference in SDEs by Direct Matching of the Fokker-Planck-Kolmogorov Equation [14.951655356042949]
Runge-Kuttaの変種のようなシミュレーションに基づく手法は、機械学習における微分方程式(SDE)による推論のデファクトアプローチである。このワークフローが高速で、高次元の潜伏空間にスケールし、少ないデータアプリケーションに適用可能であることを示す。
論文参考訳（メタデータ） (2021-10-29T12:22:55Z)
Large-Scale Wasserstein Gradient Flows [84.73670288608025]
ワッサーシュタイン勾配流を近似するスケーラブルなスキームを導入する。我々のアプローチは、JKOステップを識別するために、入力ニューラルネットワーク(ICNN)に依存しています。その結果、勾配拡散の各ステップで測定値からサンプリングし、その密度を計算することができる。
論文参考訳（メタデータ） (2021-06-01T19:21:48Z)
Learning High Dimensional Wasserstein Geodesics [55.086626708837635]
高次元の2つの確率分布の間のワッサーシュタイン測地線を計算するための新しい定式化と学習戦略を提案する。ラグランジュ乗算器の手法を最適輸送(OT)問題の動的定式化に適用することにより、サドル点がワッサーシュタイン測地線であるミニマックス問題を導出する。次に、深層ニューラルネットワークによる関数のパラメータ化を行い、トレーニングのためのサンプルベースの双方向学習アルゴリズムを設計する。
論文参考訳（メタデータ） (2021-02-05T04:25:28Z)
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)

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。