Fugu-MT 論文翻訳(概要): String Diagram of Optimal Transports

論文の概要: String Diagram of Optimal Transports

arxiv url: http://arxiv.org/abs/2408.08550v2
Date: Sat, 25 Jan 2025 04:50:05 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-28 13:50:26.571977
Title: String Diagram of Optimal Transports
Title（参考訳）: 最適輸送の文字列図
Authors: Kazuki Watanabe, Noboru Isobe,
Abstract要約: 本稿では,文字列図,すなわち最適な輸送の文字列図を用いた,最適な輸送(OT)のための新しい階層的枠組みを提案する。このフレームワークは、複雑な階層OT問題を標準OT問題に還元し、最適な階層輸送計画の効率的な合成を可能にする。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: We present a novel hierarchical framework for optimal transport (OT) using string diagrams, namely string diagrams of optimal transports. This framework reduces complex hierarchical OT problems to standard OT problems, allowing efficient synthesis of optimal hierarchical transportation plans. Our approach uses algebraic compositions of cost matrices to effectively model hierarchical structures. We also study an adversarial situation with multiple choices in the cost matrices, where we present a polynomial-time algorithm for a relaxation of the problem. Experimental results confirm the efficiency and performance advantages of our proposed algorithm over the naive method.
Abstract（参考訳）: 本稿では,文字列図,すなわち最適な輸送の文字列図を用いた,最適な輸送(OT)のための新しい階層的枠組みを提案する。この枠組みは、複雑な階層OT問題を標準OT問題に還元し、最適な階層輸送計画の効率的な合成を可能にする。提案手法はコスト行列の代数的合成を用いて階層構造を効果的にモデル化する。また,コスト行列を複数選択した逆条件について検討し,多項式時間アルゴリズムを用いて問題を緩和する手法を提案する。実験結果から,提案アルゴリズムの有効性と性能の優位性が確認された。

関連論文リスト

Submodular Framework for Structured-Sparse Optimal Transport [7.030105924295838]
非平衡最適輸送(UOT)は、非正規化対策の柔軟な枠組みとロバスト性により、近年注目を集めている。本研究では,UOT設定における疎輸送計画の学習(構造化)について検討する。本稿では,最近検討された平均誤差に基づく UOT を用いた新しい空間制約付き UOT の定式化を提案する。
論文参考訳（メタデータ） (2024-06-07T13:11:04Z)
OTClean: Data Cleaning for Conditional Independence Violations using Optimal Transport [51.6416022358349]
sysは、条件付き独立性(CI)制約下でのデータ修復に最適な輸送理論を利用するフレームワークである。我々はSinkhornの行列スケーリングアルゴリズムにインスパイアされた反復アルゴリズムを開発し、高次元および大規模データを効率的に処理する。
論文参考訳（メタデータ） (2024-03-04T18:23:55Z)
Dynamic Incremental Optimization for Best Subset Selection [15.8362578568708]
最良のサブセット選択は、多くの学習問題に対する金の標準と見なされている。主問題構造と双対問題構造に基づいて,効率的な部分集合双対アルゴリズムを開発した。
論文参考訳（メタデータ） (2024-02-04T02:26:40Z)
Analyzing and Enhancing the Backward-Pass Convergence of Unrolled Optimization [50.38518771642365]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。この設定における中心的な課題は最適化問題の解によるバックプロパゲーションであり、しばしば閉形式を欠いている。本稿では, 非線形最適化の後方通過に関する理論的知見を提供し, 特定の反復法による線形システムの解と等価であることを示す。 Folded Optimizationと呼ばれるシステムが提案され、非ローリングなソルバ実装からより効率的なバックプロパゲーションルールを構築する。
論文参考訳（メタデータ） (2023-12-28T23:15:18Z)
Accelerating Cutting-Plane Algorithms via Reinforcement Learning Surrogates [49.84541884653309]
凸離散最適化問題に対する現在の標準的なアプローチは、カットプレーンアルゴリズムを使うことである。多くの汎用カット生成アルゴリズムが存在するにもかかわらず、大規模な離散最適化問題は、難易度に悩まされ続けている。そこで本研究では,強化学習による切削平面アルゴリズムの高速化手法を提案する。
論文参考訳（メタデータ） (2023-07-17T20:11:56Z)
Linearization Algorithms for Fully Composite Optimization [61.20539085730636]
本稿では,完全合成最適化問題を凸コンパクト集合で解くための一階アルゴリズムについて検討する。微分可能および非微分可能を別々に扱い、滑らかな部分のみを線形化することで目的の構造を利用する。
論文参考訳（メタデータ） (2023-02-24T18:41:48Z)
Multi-Task Off-Policy Learning from Bandit Feedback [54.96011624223482]
本稿では,階層型非政治最適化アルゴリズム (HierOPO) を提案する。学習方針の準最適性にタスクごとのバウンダリを証明し、階層モデルを使用しないよりも明確な改善を示す。我々の理論的および実証的な結果は、各タスクを個別に解くよりも、階層を使うことの明確な利点を示している。
論文参考訳（メタデータ） (2022-12-09T08:26:27Z)
Efficient Robust Optimal Transport with Application to Multi-Label Classification [12.521494095948068]
OTコスト関数における対称正の半定値マハラノビス計量を用いて特徴-特徴関係をモデル化する。結果の最適化問題を非線形OT問題とみなし,Frank-Wolfeアルゴリズムを用いて解く。タグ予測や多クラス分類などの識別学習環境における実証的な結果から,本手法の有効性が示唆された。
論文参考訳（メタデータ） (2020-10-22T16:43:52Z)
Feature Robust Optimal Transport for High-dimensional Data [125.04654605998618]
本研究では,高次元データに対する特徴量ロバスト最適輸送(FROT)を提案する。実世界の意味対応データセットにおいて,FROTアルゴリズムが最先端の性能を実現することを示す。
論文参考訳（メタデータ） (2020-05-25T14:07:16Z)
Tiering as a Stochastic Submodular Optimization Problem [5.659969270836789]
タイアリングは大規模情報検索システムを構築する上で欠かせない技術である。最適化問題としての最適階層化は、部分モジュラーなknapsack制約を伴う部分モジュラー最小化問題として適用可能であることを示す。
論文参考訳（メタデータ） (2020-05-16T07:39:29Z)
Recovery Bounds on Class-Based Optimal Transport: A Sum-of-Norms Regularization Framework [21.037720934987483]
本稿では,和ノルム正規化項を持つ凸OTプログラムを提案し,幾何学的仮定の下で基礎となるクラス構造を確実に復元する。我々は,強い凸性がない場合でも,最適点の特異性について新たな議論を行う。実験の結果,新しい正則化器はデータ中のクラス構造をよりよく保存するだけでなく,データ形状にさらなるロバスト性をもたらすことがわかった。
論文参考訳（メタデータ） (2019-03-09T18:54:21Z)

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。