論文の概要: Linearized Optimal Transport pyLOT Library: A Toolkit for Machine Learning on Point Clouds

• arxiv url: http://arxiv.org/abs/2502.03439v1
• Date: Wed, 05 Feb 2025 18:34:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-06 14:28:14.741217
• Title: Linearized Optimal Transport pyLOT Library: A Toolkit for Machine Learning on Point Clouds
• Title（参考訳）: Linearized Optimal Transport pyLOT Library: ポイントクラウド上での機械学習のためのツールキット
• Authors: Jun Linwu, Varun Khurana, Nicholas Karris, Alexander Cloninger,
• Abstract要約: pyLOTライブラリは、リニアライズド・最適なトランスポート(LOT)技術とダウンストリームタスクで使用するメソッドのPython実装を提供する。 このパイプラインは、固定参照分布から最適トランスポートマップを介して確率分布をヒルベルト空間に埋め込み、この線形化により、オフ・ザ・シェルフ(線形)機械学習アルゴリズムを用いて下流タスクを完了させることができる。
• 参考スコア（独自算出の注目度）: 46.85203257982611
• License:
• Abstract: The pyLOT library offers a Python implementation of linearized optimal transport (LOT) techniques and methods to use in downstream tasks. The pipeline embeds probability distributions into a Hilbert space via the Optimal Transport maps from a fixed reference distribution, and this linearization allows downstream tasks to be completed using off the shelf (linear) machine learning algorithms. We provide a case study of performing ML on 3D scans of lemur teeth, where the original questions of classification, clustering, dimension reduction, and data generation reduce to simple linear operations performed on the LOT embedded representations.
• Abstract（参考訳）: pyLOTライブラリは、リニアライズド・最適なトランスポート(LOT)技術とダウンストリームタスクで使用するメソッドのPython実装を提供する。 このパイプラインは、固定参照分布から最適トランスポートマップを介して確率分布をヒルベルト空間に埋め込み、この線形化により、オフ・ザ・シェルフ(線形)機械学習アルゴリズムを用いて下流タスクを完了させることができる。 そこで本研究では, 3次元歯髄スキャンにおけるMLの実行事例について検討し, 分類, クラスタリング, 寸法縮小, データ生成に関する質問をLOT組込み表現で行う単純な線形操作に還元する。

関連論文リスト

• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• Diffusion Generative Flow Samplers: Improving learning signals through partial trajectory optimization [87.21285093582446]
  Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。 生成フローネットワーク(GFlowNets)のための理論から着想を得た。
  論文  参考訳（メタデータ） (2023-10-04T09:39:05Z)
• Distributive Pre-Training of Generative Modeling Using Matrix-Product States [0.0]
  本稿では,基本的なテンソルネットワーク操作,例えば和と圧縮を利用した代替的なトレーニング手法を検討する。 トレーニングアルゴリズムは、製品状態表現におけるすべてのトレーニングデータから構築された重ね合わせ状態を圧縮する。 MNISTデータセット上でアルゴリズムをベンチマークし、新しい画像と分類タスクを生成するための妥当な結果を示す。
  論文  参考訳（メタデータ） (2023-06-26T15:46:08Z)
• Entropic Wasserstein Component Analysis [8.744017403796406]
  次元減少(DR)の鍵となる要件は、元のサンプルと組込みサンプルの間にグローバルな依存関係を組み込むことである。 最適輸送(OT)と主成分分析(PCA)の原理を組み合わせる。 提案手法は, サンプルの近傍情報を自然に符号化するエントロピーOTを用いて, 復元誤差を最小化する最適線形部分空間を求める。
  論文  参考訳（メタデータ） (2023-03-09T08:59:33Z)
• End-to-End Signal Classification in Signed Cumulative Distribution Transform Space [10.435990685398595]
  本稿では,符号付き累積分布変換(SCDT)を用いた新しいエンドツーエンド信号分類法を提案する。 我々はSCDTの数学的特性を利用して、変換領域の問題をより容易に表現し、SCDT領域に最も近い局所部分空間(NLS)探索アルゴリズムを用いて未知のサンプルのクラスを解く。 実験により,提案手法はデータ効率が良く,分布外サンプルに頑健であり,深層学習のエンドツーエンド分類法に関して計算複雑性の点で競争力がある一方で,高精度な分類結果を提供することが示された。
  論文  参考訳（メタデータ） (2022-04-30T21:40:42Z)
• Unfolding Projection-free SDP Relaxation of Binary Graph Classifier via GDPA Linearization [59.87663954467815]
  アルゴリズムの展開は、モデルベースのアルゴリズムの各イテレーションをニューラルネットワーク層として実装することにより、解釈可能で類似のニューラルネットワークアーキテクチャを生成する。 本稿では、Gershgorin disc perfect alignment (GDPA)と呼ばれる最近の線形代数定理を利用して、二進グラフの半定値プログラミング緩和(SDR)のためのプロジェクションフリーアルゴリズムをアンロールする。 実験結果から,我々の未学習ネットワークは純粋モデルベースグラフ分類器よりも優れ,純粋データ駆動ネットワークに匹敵する性能を示したが,パラメータははるかに少なかった。
  論文  参考訳（メタデータ） (2021-09-10T07:01:15Z)
• Fast and Scalable Optimal Transport for Brain Tractograms [4.610968512889579]
  線形メモリフットプリント上での正規化最適輸送問題を解くための新しいマルチスケールアルゴリズムを提案する。 本手法は, ファイバー束やトラック密度マップとしてモデル化された脳幹図に対して有効性を示す。
  論文  参考訳（メタデータ） (2021-07-05T13:28:41Z)
• Sample Efficient Linear Meta-Learning by Alternating Minimization [74.40553081646995]
  低次元部分空間と回帰器を交互に学習する簡易交互最小化法(MLLAM)について検討する。 定数部分空間次元に対して、MLLAMはタスクあたり$Omega(log d)$サンプルしか必要とせず、ほぼ最適推定誤差が得られることを示す。 MLLAMと同様の強力な統計的保証を保証する新しいタスクサブセット選択スキームを提案する。
  論文  参考訳（メタデータ） (2021-05-18T06:46:48Z)
• Deep Shells: Unsupervised Shape Correspondence with Optimal Transport [52.646396621449]
  本稿では,3次元形状対応のための教師なし学習手法を提案する。 提案手法は,複数のデータセット上での最先端技術よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-10-28T22:24:07Z)

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。