論文の概要: Using Linearized Optimal Transport to Predict the Evolution of Stochastic Particle Systems

• arxiv url: http://arxiv.org/abs/2408.01857v1
• Date: Sat, 3 Aug 2024 20:00:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-08-06 18:11:11.431578
• Title: Using Linearized Optimal Transport to Predict the Evolution of Stochastic Particle Systems
• Title（参考訳）: 線形化された最適輸送を用いた確率粒子系の進化予測
• Authors: Nicholas Karris, Evangelos A. Nikitopoulos, Ioannis Kevrekidis, Seungjoon Lee, Alexander Cloninger,
• Abstract要約: 我々は,確率測度の時間発展を,その進化を管理する演算子を明示的に学習することなく近似するアルゴリズムを開発した。 特に興味深い応用は、粒子系から生じる離散測度$mu_tN$である。
• 参考スコア（独自算出の注目度）: 42.49693678817552
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We develop an algorithm to approximate the time evolution of a probability measure without explicitly learning an operator that governs the evolution. A particular application of interest is discrete measures $\mu_t^N$ that arise from particle systems. In many such situations, the individual particles move chaotically on short time scales, making it difficult to learn the dynamics of a governing operator, but the bulk distribution $\mu_t^N$ approximates an absolutely continuous measure $\mu_t$ that evolves ``smoothly.'' If $\mu_t$ is known on some time interval, then linearized optimal transport theory provides an Euler-like scheme for approximating the evolution of $\mu_t$ using its ``tangent vector field'' (represented as a time-dependent vector field on $\mathbb R^d$), which can be computed as a limit of optimal transport maps. We propose an analog of this Euler approximation to predict the evolution of the discrete measure $\mu_t^N$ (without knowing $\mu_t$). To approximate the analogous tangent vector field, we use a finite difference over a time step that sits between the two time scales of the system -- long enough for the large-$N$ evolution ($\mu_t$) to emerge but short enough to satisfactorily approximate the derivative object used in the Euler scheme. By allowing the limiting behavior to emerge, the optimal transport maps closely approximate the vector field describing the bulk distribution's smooth evolution instead of the individual particles' more chaotic movements. We demonstrate the efficacy of this approach with two illustrative examples, Gaussian diffusion and a cell chemotaxis model, and show that our method succeeds in predicting the bulk behavior over relatively large steps.
• Abstract（参考訳）: 我々は,確率測度の時間発展を,その進化を規定する演算子を明示的に学習することなく近似するアルゴリズムを開発した。 特に興味深い応用は、粒子系から生じる離散測度$\mu_t^N$である。 多くの状況において、個々の粒子は短時間のスケールでカオス的に動き、支配作用素の力学を学ぶことは困難であるが、バルク分布 $\mu_t^N$ は ``smoothly' を進化させる絶対連続測度 $\mu_t$ を近似する。 ''$\mu_t$ が時間間隔で知られているなら、線形化された最適輸送理論は、$\mu_t$ の進化を ' `tangent vector field'' ($\mathbb R^d$ 上の時間依存ベクトル場として表現される) を用いて近似するオイラー的なスキームを提供する。 離散測度 $\mu_t^N$($\mu_t$を知らずに)の進化を予測するために、このオイラー近似の類似体を提案する。 類似の接ベクトル場を近似するために、系の2つの時間スケールの間に位置する時間ステップに有限差を使い、大きなN$進化(英語版)(\mu_t$)が現れるのに十分長いが、オイラースキームで使われる微分対象を十分に近似するのに十分短い。 制限挙動の出現を許すことで、最適輸送写像は、粒子のよりカオス的な動きではなく、バルク分布の滑らかな進化を記述するベクトル場を近似する。 本手法の有効性を,ガウス拡散モデルと細胞遊走モデルという2つの例を用いて実証し,本手法が比較的大きなステップでバルク挙動を予測することに成功していることを示す。

関連論文リスト

• Inferring Parameter Distributions in Heterogeneous Motile Particle Ensembles: A Likelihood Approach for Second Order Langevin Models [0.8274836883472768]
  実験によって得られた時間離散軌道データから,動作パターンを理解し,予測するために推論手法が必要である。 非線形二階ランゲヴィンモデルの確率を近似する新しい手法を提案する。 これにより、アクティブに駆動されたエンティティのための動的モデルの体系的、データ駆動推論の道を開いた。
  論文  参考訳（メタデータ） (2024-11-13T15:27:02Z)
• Non-asymptotic bounds for forward processes in denoising diffusions: Ornstein-Uhlenbeck is hard to beat [49.1574468325115]
  本稿では,全変動(TV)における前方拡散誤差の非漸近的境界について述べる。 我々は、R$からFarthestモードまでの距離でマルチモーダルデータ分布をパラメライズし、加法的および乗法的雑音による前方拡散を考察する。
  論文  参考訳（メタデータ） (2024-08-25T10:28:31Z)
• Bayesian Circular Regression with von Mises Quasi-Processes [57.88921637944379]
  本研究では、円値ランダム関数上の表現的および解釈可能な分布の族を探索する。 後部推論のために,高速ギブズサンプリングに寄与するストラトノビッチ様拡張法を導入する。 本研究では,このモデルを用いて風向予測と走行歩行周期のパーセンテージを関節角度の関数として適用する実験を行った。
  論文  参考訳（メタデータ） (2024-06-19T01:57:21Z)
• Semi-Discrete Optimal Transport: Nearly Minimax Estimation With Stochastic Gradient Descent and Adaptive Entropic Regularization [38.67914746910537]
  我々は,ラゲールセル推定と密度支持推定の類似性を用いて,OTマップに対して$mathcalO(t-1)$の低いバウンダリレートを証明した。 所望の速さをほぼ達成するために,サンプル数に応じて減少するエントロピー正規化スキームを設計する。
  論文  参考訳（メタデータ） (2024-05-23T11:46:03Z)
• Closed-form Filtering for Non-linear Systems [83.91296397912218]
  我々は密度近似と計算効率の面でいくつかの利点を提供するガウスPSDモデルに基づく新しいフィルタのクラスを提案する。 本研究では,遷移や観測がガウスPSDモデルである場合,フィルタリングを効率的にクローズド形式で行うことができることを示す。 提案する推定器は, 近似の精度に依存し, 遷移確率の正則性に適応する推定誤差を伴って, 高い理論的保証を享受する。
  論文  参考訳（メタデータ） (2024-02-15T08:51:49Z)
• Normalizing flows as approximations of optimal transport maps via linear-control neural ODEs [49.1574468325115]
  ニューマライズフロー」は、深層ニューラルネットワークを用いて確率測度間の可逆輸送マップを構築するタスクに関連している。 我々は、絶対連続測度$mu,nuinmathcalP(mathbbRn)$間の$Wamma$-optimal transport map $T$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)
• Projected Langevin dynamics and a gradient flow for entropic optimal transport [0.8057006406834466]
  エントロピー規則化された最適輸送からサンプリングした類似拡散力学を導入する。 部分多様体 $Pi(mu,nu)$ の誘導されたワッサーシュタイン幾何学の研究により、SDE はこの結合空間上のワッサーシュタイン勾配フローとみなすことができると論じる。
  論文  参考訳（メタデータ） (2023-09-15T17:55:56Z)
• Adaptive Student's t-distribution with method of moments moving estimator for nonstationary time series [0.8702432681310399]
  我々は最近提案された移動推定器の哲学に焦点を当てる。 F_t=sum_taut (1-eta)t-tau ln(rho_theta (x_tau))$ move log-likelihood。 学生のt-distribution(特に経済的な応用)は、DJIA企業のログリターンに適用される。
  論文  参考訳（メタデータ） (2023-04-06T13:37:27Z)
• Interacting Particle Langevin Algorithm for Maximum Marginal Likelihood Estimation [2.365116842280503]
  我々は,最大限界推定法を実装するための相互作用粒子系のクラスを開発する。 特に、この拡散の定常測度のパラメータ境界がギブス測度の形式であることを示す。 特定の再スケーリングを用いて、このシステムの幾何学的エルゴディディティを証明し、離散化誤差を限定する。 時間的に一様で、粒子の数で増加しない方法で。
  論文  参考訳（メタデータ） (2023-03-23T16:50:08Z)
• Robust computation of optimal transport by $\beta$-potential regularization [79.24513412588745]
  最適輸送(OT)は、確率分布間の差を測定する機械学習分野で広く使われているツールである。 我々は、いわゆる$beta$-divergenceに付随するベータポテンシャル項でOTを正規化することを提案する。 提案アルゴリズムで計算した輸送行列は,外乱が存在する場合でも確率分布を頑健に推定するのに役立つことを実験的に実証した。
  論文  参考訳（メタデータ） (2022-12-26T18:37:28Z)
• Scalable and adaptive variational Bayes methods for Hawkes processes [4.580983642743026]
  本稿では,スペーサ性誘導法を提案し,一般的なシグモイドホークスプロセスに対する適応平均場変動アルゴリズムを導出する。 我々のアルゴリズムは並列性があり、したがって高次元設定では計算効率がよい。
  論文  参考訳（メタデータ） (2022-12-01T05:35:32Z)
• Measurement-based deterministic imaginary time evolution [2.2653383133675966]
  本稿では,実測値と条件付きユニタリ演算を用いた制御可能な量子システムにおいて,仮想時間進化を行う手法を提案する。 このアルゴリズムは, 特定のエネルギー閾値以下で収束し, 特定の問題の場合の複雑性を推定する。
  論文  参考訳（メタデータ） (2022-02-18T09:42:46Z)
• Variational Transport: A Convergent Particle-BasedAlgorithm for Distributional Optimization [106.70006655990176]
  分散最適化問題は機械学習や統計学で広く発生する。 本稿では,変分輸送と呼ばれる粒子に基づく新しいアルゴリズムを提案する。 目的関数がpolyak-Lojasiewicz (PL) (Polyak, 1963) の機能バージョンと滑らかな条件を満たすとき、変分輸送は線形に収束することを示す。
  論文  参考訳（メタデータ） (2020-12-21T18:33:13Z)
• The Variational Method of Moments [65.91730154730905]
  条件モーメント問題は、観測可能量の観点から構造因果パラメータを記述するための強力な定式化である。 OWGMMの変動最小値再構成により、条件モーメント問題に対する非常に一般的な推定器のクラスを定義する。 同じ種類の変分変換に基づく統計的推測のためのアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2020-12-17T07:21:06Z)
• Pathwise Conditioning of Gaussian Processes [72.61885354624604]
  ガウス過程後部をシミュレーションするための従来のアプローチでは、有限個の入力位置のプロセス値の限界分布からサンプルを抽出する。 この分布中心の特徴づけは、所望のランダムベクトルのサイズで3次スケールする生成戦略をもたらす。 条件付けのこのパスワイズ解釈が、ガウス過程の後部を効率的にサンプリングするのに役立てる近似の一般族をいかに生み出すかを示す。
  論文  参考訳（メタデータ） (2020-11-08T17:09:37Z)
• Adversarial Optimal Transport Through The Convolution Of Kernels With Evolving Measures [3.1735221946062313]
  サンプルベース最適輸送問題の解法として,新しいアルゴリズムを提案する。 分布のモンテカルロシミュレーションとしてのテスト関数の表現は、アルゴリズムを次元に頑健にする。
  論文  参考訳（メタデータ） (2020-06-07T19:42:50Z)
• Path Sample-Analytic Gradient Estimators for Stochastic Binary Networks [78.76880041670904]
  二進的アクティベーションや二進的重みを持つニューラルネットワークでは、勾配降下によるトレーニングは複雑である。 そこで本研究では,サンプリングと解析近似を併用した新しい推定法を提案する。 勾配推定において高い精度を示し、深部畳み込みモデルにおいてより安定かつ優れた訓練を行うことを示す。
  論文  参考訳（メタデータ） (2020-06-04T21:51:21Z)
• Efficiently Sampling Functions from Gaussian Process Posteriors [76.94808614373609]
  高速後部サンプリングのための簡易かつ汎用的なアプローチを提案する。 分離されたサンプルパスがガウス過程の後部を通常のコストのごく一部で正確に表現する方法を実証する。
  論文  参考訳（メタデータ） (2020-02-21T14:03:16Z)

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。