論文の概要: Partial Distribution Alignment via Adaptive Optimal Transport

• arxiv url: http://arxiv.org/abs/2503.05087v1
• Date: Fri, 07 Mar 2025 02:13:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-10 12:21:42.623351
• Title: Partial Distribution Alignment via Adaptive Optimal Transport
• Title（参考訳）: 適応最適輸送による部分分布アライメント
• Authors: Pei Yang, Qi Tan, Guihua Wen,
• Abstract要約: 本稿では, 適応質量保存能力において, 古典的最適輸送とは異なる適応最適輸送を提案する。 機械学習アプリケーションにおける適応的最適輸送をインスタンス化し、ソースとターゲットの分布を部分的に適応的に調整する。
• 参考スコア（独自算出の注目度）: 11.167177175327359
• License:
• Abstract: To remedy the drawbacks of full-mass or fixed-mass constraints in classical optimal transport, we propose adaptive optimal transport which is distinctive from the classical optimal transport in its ability of adaptive-mass preserving. It aims to answer the mathematical problem of how to transport the probability mass adaptively between probability distributions, which is a fundamental topic in various areas of artificial intelligence. Adaptive optimal transport is able to transfer mass adaptively in the light of the intrinsic structure of the problem itself. The theoretical results shed light on the adaptive mechanism of mass transportation. Furthermore, we instantiate the adaptive optimal transport in machine learning application to align source and target distributions partially and adaptively by respecting the ubiquity of noises, outliers, and distribution shifts in the data. The experiment results on the domain adaptation benchmarks show that the proposed method significantly outperforms the state-of-the-art algorithms.
• Abstract（参考訳）: 古典的最適輸送における全質量制約や固定質量制約の欠点を解消するために,適応的最適輸送と異なる適応的最適輸送を提案する。 確率分布間の確率質量を適応的に輸送する方法という数学的問題に答えることを目的としており、これは人工知能の様々な分野における基本的なトピックである。 適応的最適輸送は、問題自体の本質的な構造に照らして質量を適応的に輸送することができる。 理論的結果は、物質輸送の適応メカニズムに光を当てた。 さらに、機械学習アプリケーションにおける適応的最適輸送をインスタンス化し、データ内のノイズ、アウトレーヤ、分布シフトの多様さを考慮し、ソースとターゲットの分布を部分的に、適応的に調整する。 領域適応ベンチマーク実験の結果,提案手法は最先端のアルゴリズムよりも優れていた。

関連論文リスト

• Convex Physics Informed Neural Networks for the Monge-Ampère Optimal Transport Problem [49.1574468325115]
  補給業者から顧客への原料の最適輸送は、物流における問題である。 ここでは、対応する一般化モンジュ・アンペア方程式の解を求める物理情報ニューラルネットワーク法が提唱されている。 特に、損失関数における輸送境界条件の実施に焦点が当てられている。
  論文  参考訳（メタデータ） (2025-01-17T12:51:25Z)
• Dynamical Measure Transport and Neural PDE Solvers for Sampling [77.38204731939273]
  本研究では, 対象物へのトラクタブル密度関数の移動として, 確率密度からサンプリングする作業に取り組む。 物理インフォームドニューラルネットワーク(PINN)を用いて各偏微分方程式(PDE)の解を近似する。 PINNはシミュレーションと離散化のない最適化を可能にし、非常に効率的に訓練することができる。
  論文  参考訳（メタデータ） (2024-07-10T17:39:50Z)
• A Computational Framework for Solving Wasserstein Lagrangian Flows [48.87656245464521]
  一般に、最適密度経路は未知であり、これらの変動問題の解法は計算的に困難である。 本稿では,これらすべての問題に統一的な視点からアプローチする,新しいディープラーニングベースのフレームワークを提案する。 提案手法は, 単セル軌道推定における従来の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-16T17:59:54Z)
• Efficient Federated Learning via Local Adaptive Amended Optimizer with Linear Speedup [90.26270347459915]
  そこで我々は,グローバル・アダプティカル・アダプティカル・アダプティカル・アダプティカル・アダプティカル・アルゴリズムを提案する。 textitLADAは通信ラウンドを大幅に削減し、複数のベースラインよりも高い精度を実現する。
  論文  参考訳（メタデータ） (2023-07-30T14:53:21Z)
• Decorrelation using Optimal Transport [0.0]
  本稿では,保護された属性と最適な移動量で連続的な特徴空間をデコレーションできる新しいデコレーション手法を提案する。 高エネルギー物理学におけるジェット分類の文脈で、その性能を実証する。 マルチクラス出力に移行する際には、最適輸送手法は最先端技術よりも大幅に向上し、多次元特徴空間のデコレーションにおいてかなりの利益が期待できる。
  論文  参考訳（メタデータ） (2023-07-11T11:49:55Z)
• New Perspectives on Regularization and Computation in Optimal Transport-Based Distributionally Robust Optimization [6.522972728187888]
  本研究では, 有限の輸送コストで所定の基準分布による不確実な問題パラメータの分布を選択することができるような, 最適輸送に基づく分布安定度最適化問題について検討する。
  論文  参考訳（メタデータ） (2023-03-07T13:52:32Z)
• 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)
• The statistical effect of entropic regularization in optimal transportation [6.269377544160702]
  統計的枠組みから正則化の効果をよりよく理解することのできる正則化最適輸送のための閉形式を提供する。
  論文  参考訳（メタデータ） (2020-06-09T11:48:37Z)
• Large-Scale Optimal Transport via Adversarial Training with Cycle-Consistency [30.305690062622283]
  本稿では,輸送マップを直接解き,一般コスト関数と互換性のある大規模最適輸送のためのエンドツーエンドアプローチを提案する。 提案手法の有効性を実世界の大規模応用に適用し,提案手法の有効性を実証する。
  論文  参考訳（メタデータ） (2020-03-14T14:06:46Z)
• Bilevel Optimization for Differentially Private Optimization in Energy Systems [53.806512366696275]
  本稿では,入力に敏感な制約付き最適化問題に対して,差分プライバシーを適用する方法について検討する。 本稿は, 自然仮定の下では, 大規模非線形最適化問題に対して, 双レベルモデルを効率的に解けることを示す。
  論文  参考訳（メタデータ） (2020-01-26T20:15:28Z)

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。