論文の概要: Scalable Simulation-free Entropic Unbalanced Optimal Transport
- arxiv url: http://arxiv.org/abs/2410.02656v2
- Date: Mon, 21 Oct 2024 20:50:35 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-04 01:42:49.685319
- Title: Scalable Simulation-free Entropic Unbalanced Optimal Transport
- Title（参考訳）: スケーラブルなシミュレーションフリーエントロピー不均衡最適輸送
- Authors: Jaemoo Choi, Jaewoong Choi,
- Abstract要約: エントロピック・アンバランス・オプティマルトランスポート(EUOT)問題を解くために,スケーラブルでシミュレーション不要なアプローチを導入する。
これらの特性を活用することにより、シミュレーションフリーEUOT(SF-EUOT)と呼ばれるEUOTを解くシミュレーションフリーアルゴリズムを提案する。
- 参考スコア（独自算出の注目度）: 3.9901365062418312
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Optimal Transport (OT) problem investigates a transport map that connects two distributions while minimizing a given cost function. Finding such a transport map has diverse applications in machine learning, such as generative modeling and image-to-image translation. In this paper, we introduce a scalable and simulation-free approach for solving the Entropic Unbalanced Optimal Transport (EUOT) problem. We derive the dynamical form of this EUOT problem, which is a generalization of the Schr\"odinger bridges (SB) problem. Based on this, we derive dual formulation and optimality conditions of the EUOT problem from the stochastic optimal control interpretation. By leveraging these properties, we propose a simulation-free algorithm to solve EUOT, called Simulation-free EUOT (SF-EUOT). While existing SB models require expensive simulation costs during training and evaluation, our model achieves simulation-free training and one-step generation by utilizing the reciprocal property. Our model demonstrates significantly improved scalability in generative modeling and image-to-image translation tasks compared to previous SB methods.
- Abstract（参考訳）: 最適輸送(OT)問題は、与えられたコスト関数を最小化しながら2つの分布を接続する輸送マップを調べる。
このようなトランスポートマップを見つけることは、生成モデリングや画像から画像への変換など、機械学習に様々な応用がある。
本稿では,Entropic Un Balanced Optimal Transport (EUOT) 問題を解決するために,スケーラブルでシミュレーション不要なアプローチを提案する。
我々は、このEUOT問題の力学形式を導出し、これはシュリンガーブリッジ(SB)問題の一般化である。
これに基づいて、確率的最適制御解釈から、EUOT問題の二重定式化と最適条件を導出する。
これらの特性を活用することにより、シミュレーションフリーなEUOT(SF-EUOT)と呼ばれるEUOTを解くシミュレーションフリーなアルゴリズムを提案する。
既存のSBモデルは、トレーニングと評価に高価なシミュレーションコストを必要とするが、その相互性を利用して、シミュレーション不要なトレーニングとワンステップ生成を実現している。
本モデルでは,従来のSB法と比較して,生成モデルや画像間変換タスクのスケーラビリティが大幅に向上したことを示す。
関連論文リスト
- Machine learning surrogates for efficient hydrologic modeling: Insights from stochastic simulations of managed aquifer recharge [0.0]
プロセスベース水理モデルと機械学習サロゲートモデルのためのハイブリッドモデリングワークフローを提案する。
ケーススタディでは, このワークフローを, 将来的な管理型帯水層帯水層における飽和地下水流のシミュレーションに応用する。
以上の結果から,MLサロゲートモデルでは,絶対誤差率10%以下で絶対誤差を達成でき,大域保存の順序付けが可能であることが示唆された。
論文 参考訳（メタデータ） (2024-07-30T15:24:27Z) - Simulation-free Schr\"odinger bridges via score and flow matching [89.4231207928885]
シミュレーションフリースコアとフローマッチング([SF]$2$M)を提案する。
本手法は,拡散モデルのトレーニングに使用するスコアマッチング損失と,連続流のトレーニングに使用されるフローマッチング損失の両方を一般化する。
特に、[SF]$2$Mは、高次元の細胞動態を正確にモデル化し、既知の遺伝子制御ネットワークをシミュレートする最初の方法である。
論文 参考訳（メタデータ） (2023-07-07T15:42:35Z) - An Optimization-based Deep Equilibrium Model for Hyperspectral Image
Deconvolution with Convergence Guarantees [71.57324258813675]
本稿では,ハイパースペクトル画像のデコンボリューション問題に対処する新しい手法を提案する。
新しい最適化問題を定式化し、学習可能な正規化器をニューラルネットワークの形で活用する。
導出した反復解法は、Deep Equilibriumフレームワーク内の不動点計算問題として表現される。
論文 参考訳（メタデータ） (2023-06-10T08:25:16Z) - Sample-Efficient and Surrogate-Based Design Optimization of Underwater Vehicle Hulls [0.4543820534430522]
本稿では,BO-LCBアルゴリズムが最もサンプリング効率のよい最適化フレームワークであり,最適収束挙動を有することを示す。
また, DNN に基づく代理モデルでは, CFD シミュレーションと密に一致し, 平均絶対パーセンテージ誤差 (MAPE) が 1.85% であることを示す。
本稿では,サロゲートモデルを用いた設計最適化の2次高速化について述べる。
論文 参考訳（メタデータ） (2023-04-24T19:52:42Z) - Surrogate Neural Networks for Efficient Simulation-based Trajectory
Planning Optimization [28.292234483886947]
本稿では、ニューラルネットワークの形で代理モデルを用いて、参照軌道のシミュレーションに基づく最適化の計算時間を短縮する手法を提案する。
提案手法は,従来よりも74%優れた参照軌道が得られており,計算時間が大幅に短縮されることが明らかとなった。
論文 参考訳（メタデータ） (2023-03-30T15:44:30Z) - Distributed Bayesian Learning of Dynamic States [65.7870637855531]
提案アルゴリズムは有限状態隠れマルコフモデルに対する分散ベイズフィルタタスクである。
逐次状態推定や、動的環境下でのソーシャルネットワーク上での意見形成のモデル化に使用できる。
論文 参考訳（メタデータ） (2022-12-05T19:40:17Z) - Parallel Bayesian Optimization of Agent-based Transportation Simulation [0.4129225533930965]
MATSimは、道路交通、公共交通、貨物輸送、地域避難など様々な分野に適用される、オープンソースの大規模エージェントベースの交通計画プロジェクトである。
BEAMシミュレーションのエージェントは、マルチノードロジットモデルに基づく「モード選択」の振る舞いを示す。
そこで本研究では,自転車,車,歩行,車いす,車いす,車いす,車いす,車いす,車いす,車いす,車いす,車いす,車いすの8つのモードの選択について検討した。
与えられたマルチイン・マルチアウト問題に対する高速収束を実現するために,早期停止規則付き並列ベイズ最適化法を提案する。
論文 参考訳（メタデータ） (2022-07-11T17:49:29Z) - Likelihood Training of Schr\"odinger Bridge using Forward-Backward SDEs
Theory [29.82841891919951]
SBの最適化原理が深層生成モデルの近代的な訓練と関係しているかどうかは不明である。
本稿では、フォワード・バックワード理論に基づくSBモデルの可能性トレーニングのための新しい計算フレームワークを提案する。
その結果,MNIST,CelebA,CIFAR10上でのリアルな画像生成に比較した結果が得られた。
論文 参考訳（メタデータ） (2021-10-21T17:18:59Z) - Hybridized Methods for Quantum Simulation in the Interaction Picture [69.02115180674885]
本研究では,異なるシミュレーション手法をハイブリダイズし,インタラクション・ピクチャー・シミュレーションの性能を向上させるフレームワークを提案する。
これらのハイブリッド化手法の物理的応用は、電気遮断において$log2 Lambda$としてゲート複雑性のスケーリングをもたらす。
力学的な制約を受けるハミルトニアンシミュレーションの一般的な問題に対して、これらの手法は、エネルギーコストを課すために使われるペナルティパラメータ$lambda$とは無関係に、クエリの複雑さをもたらす。
論文 参考訳（メタデータ） (2021-09-07T20:01:22Z) - Multi-intersection Traffic Optimisation: A Benchmark Dataset and a
Strong Baseline [85.9210953301628]
交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。
問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。
エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
論文 参考訳（メタデータ） (2021-01-24T03:55:39Z) - A Near-Optimal Gradient Flow for Learning Neural Energy-Based Models [93.24030378630175]
学習エネルギーベースモデル(EBM)の勾配流を最適化する新しい数値スキームを提案する。
フォッカー・プランク方程式から大域相対エントロピーの2階ワッサーシュタイン勾配流を導出する。
既存のスキームと比較して、ワッサーシュタイン勾配流は実データ密度を近似するより滑らかで近似的な数値スキームである。
論文 参考訳（メタデータ） (2019-10-31T02:26:20Z)
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。