論文の概要: A Riemannian Approach to Ground Metric Learning for Optimal Transport
- arxiv url: http://arxiv.org/abs/2409.10085v1
- Date: Mon, 16 Sep 2024 08:42:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-17 16:09:48.782743
- Title: A Riemannian Approach to Ground Metric Learning for Optimal Transport
- Title(参考訳): 最適輸送のための地上距離学習へのリーマン的アプローチ
- Authors: Pratik Jawanpuria, Dai Shi, Bamdev Mishra, Junbin Gao,
- Abstract要約: 我々は、対称正定値行列によってパラメータ化された適切な潜在基底計量を学習する。
実験結果は、OTベースのドメイン適応における学習された測定値の有効性を示す。
- 参考スコア(独自算出の注目度): 31.333036109340835
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Optimal transport (OT) theory has attracted much attention in machine learning and signal processing applications. OT defines a notion of distance between probability distributions of source and target data points. A crucial factor that influences OT-based distances is the ground metric of the embedding space in which the source and target data points lie. In this work, we propose to learn a suitable latent ground metric parameterized by a symmetric positive definite matrix. We use the rich Riemannian geometry of symmetric positive definite matrices to jointly learn the OT distance along with the ground metric. Empirical results illustrate the efficacy of the learned metric in OT-based domain adaptation.
- Abstract(参考訳): 最適輸送(OT)理論は、機械学習や信号処理の応用において多くの注目を集めている。
OTは、ソースとターゲットデータポイントの確率分布間の距離の概念を定義する。
OTベースの距離に影響を与える重要な要因は、ソースとターゲットのデータポイントが位置する埋め込み空間の基底メートル法である。
そこで本研究では,対称正定値行列によってパラメータ化される適切な潜在基底測度を学習することを提案する。
対称正定行列のリッチリーマン幾何学を用いて、基底計量とともにOT距離を共同学習する。
実験結果は、OTベースのドメイン適応における学習された測定値の有効性を示す。
関連論文リスト
- Symmetry Discovery for Different Data Types [52.2614860099811]
等価ニューラルネットワークは、そのアーキテクチャに対称性を取り入れ、より高度な一般化性能を実現する。
本稿では,タスクの入出力マッピングを近似したトレーニングニューラルネットワークによる対称性発見手法であるLieSDを提案する。
我々は,2体問題,慣性行列予測のモーメント,トップクォークタグ付けといった課題におけるLieSDの性能を検証した。
論文 参考訳(メタデータ) (2024-10-13T13:39:39Z) - Weakly supervised covariance matrices alignment through Stiefel matrices
estimation for MEG applications [64.20396555814513]
本稿では,Mixing Model Stiefel Adaptation (MSA)と呼ばれる時系列データに対する新しいドメイン適応手法を提案する。
我々は、ドメイン間の等価な信号分散とペアの対応を確立することにより、ターゲット領域における豊富なラベルのないデータを利用して効果的な予測を行う。
MSAは、Cam-CANデータセットのMEG信号を用いて、タスクの変動を伴う脳年齢回帰の最近の手法より優れている。
論文 参考訳(メタデータ) (2024-01-24T19:04:49Z) - LCOT: Linear circular optimal transport [12.500693755673796]
LCOT(Linear Circular Optimal Transport)と呼ばれる円周確率測定のための新しい計算効率の指標を提案する。
提案されたメトリクスには、機械学習(ML)アルゴリズムを組込み尺度に適用可能な、明示的な線形埋め込みが付属している。
提案手法は, 循環最適輸送(COT)に根付いており, 固定基準測度に対するCOT測度の線形化とみなすことができる。
論文 参考訳(メタデータ) (2023-10-09T14:37:56Z) - Joint Metrics Matter: A Better Standard for Trajectory Forecasting [67.1375677218281]
マルチモーダル・トラジェクトリ・予測法 : シングルエージェント・メトリクス(マージナル・メトリクス)を用いた評価
余分な指標にのみ注目することは、グループとして明確に一緒に歩いている人々のために、軌跡の衝突や軌跡のばらつきといった、不自然な予測につながる可能性がある。
本稿では,JADE,JFDE,衝突速度といったマルチエージェントメトリクス(ジョイントメトリクス)に関して,最先端トラジェクトリ予測手法の総合評価を行った。
論文 参考訳(メタデータ) (2023-05-10T16:27:55Z) - Adaptive Log-Euclidean Metrics for SPD Matrix Learning [73.12655932115881]
広く使われているログユークリッド計量(LEM)を拡張した適応ログユークリッド計量(ALEM)を提案する。
実験および理論的結果から,SPDニューラルネットワークの性能向上における提案手法の有効性が示された。
論文 参考訳(メタデータ) (2023-03-26T18:31:52Z) - Sliced-Wasserstein on Symmetric Positive Definite Matrices for M/EEG
Signals [24.798859309715667]
共分散行列の分布を扱うための新しい手法を提案する。
本稿では,脳コンピュータインタフェースの領域適応におけるワッサースタイン距離の効率的なサロゲートであることを示す。
論文 参考訳(メタデータ) (2023-03-10T09:08:46Z) - Riemannian Metric Learning via Optimal Transport [34.557360177483595]
進化する確率測度の断面サンプルからメトリックを学習するための最適輸送ベースモデルを提案する。
本手法を用いて学習したメトリクスは,cRNAと鳥の移動データに基づく軌道推定の精度を向上させる。
論文 参考訳(メタデータ) (2022-05-18T23:32:20Z) - Meta Learning Low Rank Covariance Factors for Energy-Based Deterministic
Uncertainty [58.144520501201995]
ニューラルネットワーク層のBi-Lipschitz正規化は、各レイヤの特徴空間におけるデータインスタンス間の相対距離を保存する。
注意セットエンコーダを用いて,タスク固有の共分散行列を効率的に構築するために,対角的,対角的,低ランクな要素のメタ学習を提案する。
また,最終的な予測分布を達成するために,スケールしたエネルギーを利用する推論手法を提案する。
論文 参考訳(メタデータ) (2021-10-12T22:04:19Z) - GELATO: Geometrically Enriched Latent Model for Offline Reinforcement
Learning [54.291331971813364]
オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。
本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。
提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
論文 参考訳(メタデータ) (2021-02-22T19:42:40Z) - 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) - New Metrics Between Rational Spectra and their Connection to Optimal
Transport [0.0]
最適輸送理論と線形系理論に基づいて,信号対,線形系,あるいは有理スペクトル間の一連のメトリクスを提案する。
測度は有理関数の極の位置で動作し、距離、バリセンター、変位、投射の非常に効率的な計算を許容する。
有理スペクトル間のワッサーシュタイン距離との接続を確立し,信号分類,クラスタリング,検出,近似などのタスクにおけるメトリクスの利用を実証する。
論文 参考訳(メタデータ) (2020-04-20T09:29:03Z)
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。