論文の概要: Overcoming Fake Solutions in Semi-Dual Neural Optimal Transport: A Smoothing Approach for Learning the Optimal Transport Plan
- arxiv url: http://arxiv.org/abs/2502.04583v1
- Date: Fri, 07 Feb 2025 00:37:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-10 14:56:08.508016
- Title: Overcoming Fake Solutions in Semi-Dual Neural Optimal Transport: A Smoothing Approach for Learning the Optimal Transport Plan
- Title(参考訳): 半二重ニューラル最適輸送におけるフェイク解の克服--最適輸送計画学習のための平滑なアプローチ
- Authors: Jaemoo Choi, Jaewoong Choi, Dohyun Kwon,
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 5.374547520354591
- License:
- Abstract: We address the convergence problem in learning the Optimal Transport (OT) map, where the OT Map refers to a map from one distribution to another while minimizing the transport cost. Semi-dual Neural OT, a widely used approach for learning OT Maps with neural networks, often generates fake solutions that fail to transfer one distribution to another accurately. We identify a sufficient condition under which the max-min solution of Semi-dual Neural OT recovers the true OT Map. Moreover, to address cases when this sufficient condition is not satisfied, we propose a novel method, OTP, which learns both the OT Map and the Optimal Transport Plan, representing the optimal coupling between two distributions. Under sharp assumptions on the distributions, we prove that our model eliminates the fake solution issue and correctly solves the OT problem. Our experiments show that the OTP model recovers the optimal transport map where existing methods fail and outperforms current OT-based models in image-to-image translation tasks. Notably, the OTP model can learn stochastic transport maps when deterministic OT Maps do not exist, such as one-to-many tasks like colorization.
- Abstract(参考訳): 我々は、最適輸送(OT)マップを学習する際の収束問題に対処する。そこでは、OTマップは、輸送コストを最小化しつつ、ある分布から別の分布へのマップを参照する。
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。
半二重ニューラルOTの最大解が真のOTマップを復元する十分条件を同定する。
さらに, この条件が満たされていない場合に対処するため, 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。
分布の急激な仮定の下で、我々のモデルは偽解問題を排除し、OT問題を正しく解くことを証明した。
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。
特に、OPPモデルは、色付けのような一対多のタスクのように、決定論的OTマップが存在しないときに確率的トランスポートマップを学習することができる。
関連論文リスト
- A Statistical Learning Perspective on Semi-dual Adversarial Neural Optimal Transport Solvers [65.28989155951132]
本稿では,ミニマックス二次OT解法により得られた近似OT写像の一般化誤差の上限を確立する。
解析は二次 OT に焦点をあてるが、より一般的な OT の定式化のために類似した境界を導出できると考えている。
論文 参考訳(メタデータ) (2025-02-03T12:37:20Z) - Improving Neural Optimal Transport via Displacement Interpolation [16.474572112062535]
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。
論文 参考訳(メタデータ) (2024-10-03T16:42:23Z) - OT-Net: A Reusable Neural Optimal Transport Solver [26.153287448650126]
新たな再利用可能なニューラルOTソルバOT-Netを提示する。
OT-Netは、ニューラルネットワークを介してブレニエの高さ表現を学び、そのポテンシャルを得る。
その後、ポテンシャルの勾配を計算することでOTマップを得た。
論文 参考訳(メタデータ) (2023-06-14T04:11:38Z) - 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) - Learning Optimal Transport Between two Empirical Distributions with
Normalizing Flows [12.91637880428221]
本稿では、ニューラルネットワークの柔軟性を活用して、最適輸送マップを近似的に学習することを提案する。
我々は、このOT問題の解を近似するために、非可逆ニューラルネットワークの特定の例、すなわち正規化フローが利用できることを示した。
論文 参考訳(メタデータ) (2022-07-04T08:08:47Z) - 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) - Near-optimal estimation of smooth transport maps with kernel
sums-of-squares [81.02564078640275]
滑らかな条件下では、2つの分布の間の正方形ワッサーシュタイン距離は、魅力的な統計的誤差上界で効率的に計算できる。
生成的モデリングのような応用への関心の対象は、基礎となる最適輸送写像である。
そこで本研究では,地図上の統計的誤差であるL2$が,既存のミニマックス下限値とほぼ一致し,スムーズな地図推定が可能となる最初のトラクタブルアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-12-03T13:45:36Z) - 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。