Fugu-MT 論文翻訳(概要): A User's Guide to Sampling Strategies for Sliced Optimal Transport

論文の概要: A User's Guide to Sampling Strategies for Sliced Optimal Transport

arxiv url: http://arxiv.org/abs/2502.02275v2
Date: Wed, 05 Feb 2025 10:28:41 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-06 11:04:40.927100
Title: A User's Guide to Sampling Strategies for Sliced Optimal Transport
Title（参考訳）: Sliced Optimal Transport のためのユーザガイド
Authors: Keanu Sisouk, Julie Delon, Julien Tierny,
Abstract要約: 本稿では,スライスされた最適輸送のための戦略をサンプリングするためのユーザガイドとして機能する。本稿では, 建設方法, 生成時間の複雑さ, 理論的保証, および各戦略の条件について詳述する。
参考スコア（独自算出の注目度）: 6.513361705307775
License:
Abstract: This paper serves as a user's guide to sampling strategies for sliced optimal transport. We provide reminders and additional regularity results on the Sliced Wasserstein distance. We detail the construction methods, generation time complexity, theoretical guarantees, and conditions for each strategy. Additionally, we provide insights into their suitability for sliced optimal transport in theory. Extensive experiments on both simulated and real-world data offer a representative comparison of the strategies, culminating in practical recommendations for their best usage.
Abstract（参考訳）: 本稿では,スライスされた最適輸送のための戦略をサンプリングするためのユーザガイドとして機能する。 Sliced Wasserstein 距離に関するリマインダーおよび追加の正則性結果を提供する。本稿では, 建設方法, 生成時間の複雑さ, 理論的保証, および各戦略の条件について詳述する。さらに, 理論上, スライスされた最適輸送に対する適合性について考察する。シミュレーションデータと実世界のデータの両方に関する大規模な実験は、それらの戦略を代表的に比較し、ベストプラクティスの実践的な推奨を導いた。

関連論文リスト

Rethinking Optimal Transport in Offline Reinforcement Learning [64.56896902186126]
オフラインの強化学習では、データはさまざまな専門家によって提供され、一部は準最適である。効率的なポリシを抽出するには、データセットから最高の振る舞いを強調する必要がある。本稿では,各状態に対する最善の専門家行動の公平な分布に状態をマッピングするポリシーを見つけることを目的としたアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-10-17T22:36:43Z)
Memory Sequence Length of Data Sampling Impacts the Adaptation of Meta-Reinforcement Learning Agents [1.971759811837406]
メタRLエージェントの探索と適応性に及ぼすデータサンプリング戦略の影響について検討する。解析の結果,長メモリおよび短メモリシーケンスサンプリング戦略がメタRLエージェントの表現能力および適応能力に影響を及ぼすことが明らかとなった。
論文参考訳（メタデータ） (2024-06-18T07:41:40Z)
Enhanced Bayesian Optimization via Preferential Modeling of Abstract Properties [49.351577714596544]
本研究では,非測定抽象特性に関する専門家の嗜好を代理モデルに組み込むための,人間とAIの協調型ベイズフレームワークを提案する。優先判断において、誤った/誤解を招く専門家バイアスを処理できる効率的な戦略を提供する。
論文参考訳（メタデータ） (2024-02-27T09:23:13Z)
Leveraging Speculative Sampling and KV-Cache Optimizations Together for Generative AI using OpenVINO [0.6144680854063939]
推論最適化は、ユーザーエクスペリエンスを改善し、インフラコストと消費電力を減らすために重要である。本稿では,テキスト生成の全体的な遅延を低減するため,投機的サンプリングとして知られる動的実行の形式を説明する。
論文参考訳（メタデータ） (2023-11-08T14:08:00Z)
Provable Reward-Agnostic Preference-Based Reinforcement Learning [61.39541986848391]
PbRL(Preference-based Reinforcement Learning)は、RLエージェントが、軌道上のペアワイドな嗜好に基づくフィードバックを用いてタスクを最適化することを学ぶパラダイムである。本稿では,隠れた報酬関数の正確な学習を可能にする探索軌道を求める理論的報酬非依存PbRLフレームワークを提案する。
論文参考訳（メタデータ） (2023-05-29T15:00:09Z)
MEET: A Monte Carlo Exploration-Exploitation Trade-off for Buffer Sampling [2.501153467354696]
経験リプレイバッファのための最先端サンプリング戦略は強化学習エージェントの性能を向上させる。 Q値推定に不確実性は含まない。本稿では,探索・探索トレードオフを利用した新しいサンプリング戦略を提案する。
論文参考訳（メタデータ） (2022-10-24T18:55:41Z)
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)
Inductive Semi-supervised Learning Through Optimal Transport [0.0]
提案手法は最適輸送誘導 (OTI) と呼ばれ, 最適輸送に基づく帰納的アルゴリズム (OTP) を効率よく帰納的タスクに拡張する。提案手法と最先端手法を比較するために,いくつかのデータセットを用いて実験を行った。
論文参考訳（メタデータ） (2021-12-14T09:52:01Z)
Generating Useful Accident-Prone Driving Scenarios via a Learned Traffic Prior [135.78858513845233]
STRIVEは、特定のプランナーが衝突のような望ましくない振る舞いを発生させるような、困難なシナリオを自動的に生成する手法である。シナリオの妥当性を維持するために、キーとなるアイデアは、グラフベースの条件付きVAEという形で、学習した交通運動モデルを活用することである。その後の最適化は、シナリオの"解決"を見つけるために使用され、与えられたプランナーを改善するのに有効である。
論文参考訳（メタデータ） (2021-12-09T18:03:27Z)
Towards the D-Optimal Online Experiment Design for Recommender Selection [18.204325860752768]
ユーザとレコメンデーションの両方が、報酬に有益なコンテキスト機能を持っているため、最適なオンライン実験を見つけることは簡単ではない。本研究では,古典統計学のemphD-Optimal設計を活用し,探索時の最大情報ゲインを実現する。次に、Walmart.comでのデプロイメントの例を使って、提案手法の実践的洞察と効果を十分に説明します。
論文参考訳（メタデータ） (2021-10-23T04:30:27Z)
Adaptive Learning of the Optimal Batch Size of SGD [52.50880550357175]
本稿では,その繰り返しを通じて最適なバッチサイズを適応的に学習し,凸度と滑らかな関数を求める手法を提案する。実験では、合成データと実データを用いて、ほぼ最適な振る舞いを示す。我々は,本手法を分散実装に適したサンプリングを含む,文献上考慮されていないいくつかの新しいバッチ戦略に一般化する。
論文参考訳（メタデータ） (2020-05-03T14:28:32Z)

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。