論文の概要: Control, Transport and Sampling: Towards Better Loss Design
- arxiv url: http://arxiv.org/abs/2405.13731v1
- Date: Wed, 22 May 2024 15:24:48 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-24 23:35:03.864694
- Title: Control, Transport and Sampling: Towards Better Loss Design
- Title(参考訳): 制御, 輸送, サンプリング: より良い損失設計を目指して
- Authors: Qijia Jiang, David Nabergoj,
- Abstract要約: 我々は、最適制御されたダイナミクスを介して$nu$から$mu$への輸送に使用できる客観的関数を提案する。
我々は、パスワイズ・パースペクティブの重要性と、パス尺度における様々な最適条件が、有効なトレーニング損失の設計に果たす役割を強調した。
- 参考スコア(独自算出の注目度): 10.732151772173083
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Leveraging connections between diffusion-based sampling, optimal transport, and optimal stochastic control through their shared links to the Schr\"odinger bridge problem, we propose novel objective functions that can be used to transport $\nu$ to $\mu$, consequently sample from the target $\mu$, via optimally controlled dynamics. We highlight the importance of the pathwise perspective and the role various optimality conditions on the path measure can play for the design of valid training losses, the careful choice of which offer numerical advantages in practical implementation.
- Abstract(参考訳): 拡散型サンプリング, 最適輸送, およびシュリンガーブリッジ問題との共用リンクによる最適確率制御の接続を活用することにより, 最適制御された力学を通して, $\nu$ から $\mu$ への輸送に使用できる新しい目的関数を提案する。
我々は,パスワイズ・パースペクティブの重要性と,パス尺度における様々な最適条件が,有効なトレーニング損失の設計に果たす役割を強調した。
関連論文リスト
- Dynamical Measure Transport and Neural PDE Solvers for Sampling [77.38204731939273]
本研究では, 対象物へのトラクタブル密度関数の移動として, 確率密度からサンプリングする作業に取り組む。
物理インフォームドニューラルネットワーク(PINN)を用いて各偏微分方程式(PDE)の解を近似する。
PINNはシミュレーションと離散化のない最適化を可能にし、非常に効率的に訓練することができる。
論文 参考訳(メタデータ) (2024-07-10T17:39:50Z) - Cost-Sensitive Multi-Fidelity Bayesian Optimization with Transfer of Learning Curve Extrapolation [55.75188191403343]
各ユーザが事前に定義した機能であるユーティリティを導入し,BOのコストと性能のトレードオフについて述べる。
このアルゴリズムをLCデータセット上で検証した結果,従来のマルチファイルBOや転送BOベースラインよりも優れていた。
論文 参考訳(メタデータ) (2024-05-28T07:38:39Z) - Normalizing flows as approximations of optimal transport maps via
linear-control neural ODEs [55.2480439325792]
ニューマライズフロー」は、深層ニューラルネットワークを用いて確率測度間の可逆輸送マップを構築するタスクに関連している。
我々は、絶対連続測度$mu,nuinmathcalP(mathbbRn)$間の$W$最適輸送マップ$T$を線形制御ニューラルネットワークのフローとして回収する問題を考える。
論文 参考訳(メタデータ) (2023-11-02T17:17:03Z) - A Computational Framework for Solving Wasserstein Lagrangian Flows [48.87656245464521]
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。
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。
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。
論文 参考訳(メタデータ) (2023-10-16T17:59:54Z) - New Perspectives on Regularization and Computation in Optimal
Transport-Based Distributionally Robust Optimization [8.564319625930892]
本研究では, 有限の輸送コストで所定の基準分布による不確実な問題パラメータの分布を選択することができるような, 最適輸送に基づく分布安定度最適化問題について検討する。
論文 参考訳(メタデータ) (2023-03-07T13:52:32Z) - Neural Optimal Transport [82.2689844201373]
本稿では、最適な輸送マップを計算し、強力で弱い輸送コストを計画するニューラルネットベースの新しいアルゴリズムを提案する。
ニューラルネットワークが確率分布間の輸送計画の普遍的近似であることを示す。
論文 参考訳(メタデータ) (2022-01-28T16:24:13Z) - Bayesian Inference for Optimal Transport with Stochastic Cost [22.600086666266243]
機械学習とコンピュータビジョンにおいて、最適輸送は生成モデルを学習する上で大きな成功を収めた。
誘導コストによる最適輸送計画分布を推定するための枠組みを提案する。
また, 得られた輸送計画分布からHMC法を抽出する。
論文 参考訳(メタデータ) (2020-10-19T09:07:57Z) - Imitative Planning using Conditional Normalizing Flow [2.8978926857710263]
自律走行車のための動的な都市シナリオにおける軌道計画の一般的な方法は、明確に特定され手作業によるコスト関数に依存することである。
自律走行車(AV)の軌道計画性能向上のための正規化フローの適用について検討する。
軌道プランナーのコスト多様体をエネルギー関数としてモデル化することにより、AV制御空間上のボルツマン分布以前のシーン条件付き写像を学習する。
論文 参考訳(メタデータ) (2020-07-31T16:32:23Z) - FLOT: Scene Flow on Point Clouds Guided by Optimal Transport [82.86743909483312]
本稿では,点雲上のシーンフローを推定するFLOT法を提案する。
グラフマッチングに関する最近の研究に触発されて、最適な輸送手段からツールを借りてこれらの対応を見つける方法を構築した。
私たちの主な発見は、FLOTは、合成および実世界のデータセット上で、最も優れた既存の方法と同様に、実行可能であることです。
論文 参考訳(メタデータ) (2020-07-22T00:15:30Z) - Large-Scale Optimal Transport via Adversarial Training with
Cycle-Consistency [30.305690062622283]
本稿では,輸送マップを直接解き,一般コスト関数と互換性のある大規模最適輸送のためのエンドツーエンドアプローチを提案する。
提案手法の有効性を実世界の大規模応用に適用し,提案手法の有効性を実証する。
論文 参考訳(メタデータ) (2020-03-14T14:06:46Z)
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。