論文の概要: Improving Neural Optimal Transport via Displacement Interpolation

• arxiv url: http://arxiv.org/abs/2410.03783v2
• Date: Mon, 21 Oct 2024 20:54:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-02 16:20:48.034910
• Title: Improving Neural Optimal Transport via Displacement Interpolation
• Title（参考訳）: 変位補間によるニューラル最適輸送の改善
• Authors: Jaemoo Choi, Yongxin Chen, Jaewoong Choi,
• Abstract要約: 最適輸送(OT)理論は、ソース分布をターゲット分布に移動させるコスト最小化輸送マップを考察する。 本稿では, 安定度を向上し, 変位を利用した OT Map の近似性を向上する手法を提案する。 画像から画像への変換タスクにおいて,DIOTMが既存のOTベースモデルより優れていることを示す。
• 参考スコア（独自算出の注目度）: 16.474572112062535
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Optimal Transport (OT) theory investigates the cost-minimizing transport map that moves a source distribution to a target distribution. Recently, several approaches have emerged for learning the optimal transport map for a given cost function using neural networks. We refer to these approaches as the OT Map. OT Map provides a powerful tool for diverse machine learning tasks, such as generative modeling and unpaired image-to-image translation. However, existing methods that utilize max-min optimization often experience training instability and sensitivity to hyperparameters. In this paper, we propose a novel method to improve stability and achieve a better approximation of the OT Map by exploiting displacement interpolation, dubbed Displacement Interpolation Optimal Transport Model (DIOTM). We derive the dual formulation of displacement interpolation at specific time $t$ and prove how these dual problems are related across time. This result allows us to utilize the entire trajectory of displacement interpolation in learning the OT Map. Our method improves the training stability and achieves superior results in estimating optimal transport maps. We demonstrate that DIOTM outperforms existing OT-based models on image-to-image translation tasks.
• Abstract（参考訳）: 最適輸送(OT)理論は、ソース分布をターゲット分布に移動させるコスト最小化輸送マップを考察する。 近年、ニューラルネットワークを用いて与えられたコスト関数の最適輸送マップを学習するためのいくつかのアプローチが出現している。 これらのアプローチをOTマップと呼ぶ。 OT Mapは、生成モデリングや画像から画像への変換の欠如など、さまざまな機械学習タスクのための強力なツールを提供する。 しかし、最大値最適化を利用する既存の方法は、しばしばトレーニングの不安定性とハイパーパラメータに対する感度を経験する。 本稿では,転位補間最適輸送モデル(DIOTM)と呼ばれる変位補間を利用して,安定性を向上し,OTマップの近似性を向上する新しい手法を提案する。 我々は、特定の時間に$t$で変位補間の二重定式化を導出し、これらの二重問題が時間にわたってどのように関連しているかを証明した。 これにより、OTマップの学習において、変位補間の全軌道を利用することができる。 本手法はトレーニングの安定性を向上し,最適輸送マップの推定において優れた結果が得られる。 画像から画像への変換タスクにおいて,DIOTMが既存のOTベースモデルより優れていることを示す。

関連論文リスト

• Embedding Empirical Distributions for Computing Optimal Transport Maps [20.78001177211786]
  我々は,新しい経験的分布のためのトランスポートマップを学習するための新しいアプローチを提案する。 異なる長さの分布データから埋め込みを生成するために変換器アーキテクチャを用いる。 これらの埋め込みはハイパーネットワークに入力され、ニューラルOTマップを生成する。
  論文  参考訳（メタデータ） (2025-04-24T16:52:48Z)
• Optimal Transport Adapter Tuning for Bridging Modality Gaps in Few-Shot Remote Sensing Scene Classification [80.83325513157637]
  Few-Shot Remote Sensing Scene Classification (FS-RSSC)は,限られたラベル付きサンプルを用いたリモートセンシング画像の分類の課題を示す。 理想的なプラトン表現空間を構築することを目的とした,OTAT(Optimal Transport Adapter Tuning)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-19T07:04:24Z)
• Overcoming Fake Solutions in Semi-Dual Neural Optimal Transport: A Smoothing Approach for Learning the Optimal Transport Plan [5.374547520354591]
  ニューラルネットワークでOTマップを学習する手段として広く使用されているセミデュアルニューラルネットワークは、ひとつのディストリビューションを正確に別のディストリビューションに転送できない偽のソリューションを生成することが多い。 本稿では, OTマップと最適輸送計画の両方を学習し, 2つの分布間の最適結合を表現した新しい OTP を提案する。 実験の結果,OTPモデルは既存の手法が失敗する最適なトランスポートマップを復元し,画像と画像の変換タスクにおいて現在のOTベースモデルより優れていることがわかった。
  論文  参考訳（メタデータ） (2025-02-07T00:37:12Z)
• Unlearning as multi-task optimization: A normalized gradient difference approach with an adaptive learning rate [105.86576388991713]
  正規化勾配差(NGDiff)アルゴリズムを導入し、目的間のトレードオフをよりよく制御できるようにする。 本研究では,TOFUおよびMUSEデータセットにおける最先端の未学習手法において,NGDiffの優れた性能を実証的に実証し,理論的解析を行った。
  論文  参考訳（メタデータ） (2024-10-29T14:41:44Z)
• Optimal Transport on the Lie Group of Roto-translations [1.8990839669542956]
  我々は,SE2に特化して,リー群を超越した最適輸送のための計算フレームワークを開発する。 我々はいくつかの理論的貢献をする(行列リー群に一般化できる)。 We developed a Sinkhorn like algorithm can be effective by fast and accurate distance approximations of the Lie group and GPU friendly group convolutions。
  論文  参考訳（メタデータ） (2024-02-23T13:40:34Z)
• Efficient Neural Network Approaches for Conditional Optimal Transport with Applications in Bayesian Inference [1.740133468405535]
  静的および条件付き最適輸送(COT)問題の解を近似する2つのニューラルネットワークアプローチを提案する。 我々は、ベンチマークデータセットとシミュレーションに基づく逆問題を用いて、両アルゴリズムを競合する最先端のアプローチと比較する。
  論文  参考訳（メタデータ） (2023-10-25T20:20:09Z)
• Analyzing and Improving Optimal-Transport-based Adversarial Networks [9.980822222343921]
  最適輸送(OT)問題は、与えられたコスト関数を最小化しつつ、2つの分布をブリッジする輸送計画を見つけることを目的としている。 OT理論は生成モデリングに広く利用されている。 提案手法はCIFAR-10では2.51点,CelebA-HQ-256では5.99点のFIDスコアを得た。
  論文  参考訳（メタデータ） (2023-10-04T06:52:03Z)
• Generative Modeling through the Semi-dual Formulation of Unbalanced Optimal Transport [9.980822222343921]
  非平衡最適輸送(UOT)の半二重定式化に基づく新しい生成モデルを提案する。 OTとは異なり、UOTは分散マッチングの厳しい制約を緩和する。このアプローチは、外れ値に対する堅牢性、トレーニング中の安定性、より高速な収束を提供する。 CIFAR-10ではFIDスコアが2.97、CelebA-HQ-256では6.36である。
  論文  参考訳（メタデータ） (2023-05-24T06:31:05Z)
• Computing high-dimensional optimal transport by flow neural networks [19.859984725284896]
  本研究は,フローモデルを最適化することにより,任意の2つの分布に対して$P$と$Q$の動的OTを計算することを提案する。 本手法は輸送コストを最小限に抑える非可逆流を見つけることによって動的OTを学習する。 提案モデルが高次元データに与える影響は,OTベースライン,画像から画像への変換,高次元DRE上での強い経験的性能によって実証される。
  論文  参考訳（メタデータ） (2023-05-19T17:48:21Z)
• Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
  最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。 本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
  論文  参考訳（メタデータ） (2022-06-29T22:19:03Z)
• Unpaired Image Super-Resolution with Optimal Transport Maps [128.1189695209663]
  実世界の画像超解像(SR)タスクは、しばしば、教師付き技術の適用を制限するペアデータセットを持っていない。 本稿では,非バイアスのOTマップを知覚輸送コストで学習する未ペアSRのアルゴリズムを提案する。 我々のアルゴリズムは、大規模無人AIM-19データセット上で、最先端のパフォーマンスをほぼ提供する。
  論文  参考訳（メタデータ） (2022-02-02T16:21:20Z)
• 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)
• Generative Modeling with Optimal Transport Maps [83.59805931374197]
  OT(Optimal Transport)は、大規模な生成モデリングタスクのための強力なツールとなっている。 OTマップ自体が生成モデルとして利用でき、同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-06T18:17:02Z)
• Do Neural Optimal Transport Solvers Work? A Continuous Wasserstein-2 Benchmark [133.46066694893318]
  最適輸送のためのニューラルネットワークに基づく解法の性能を評価する。 既存の解法では,下流タスクでは良好に機能するにもかかわらず,最適な輸送マップを復元できないことがわかった。
  論文  参考訳（メタデータ） (2021-06-03T15:59:28Z)

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。