Fugu-MT 論文翻訳(概要): Streaming Sliced Optimal Transport

論文の概要: Streaming Sliced Optimal Transport

arxiv url: http://arxiv.org/abs/2505.06835v1
Date: Sun, 11 May 2025 04:09:24 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-13 20:21:49.062193
Title: Streaming Sliced Optimal Transport
Title（参考訳）: ストリーミングスライス最適輸送
Authors: Khai Nguyen,
Abstract要約: スライスされた最適輸送(SOT)またはスライスされたワッサーシュタイン(SW)距離は、その統計的および計算的スケーラビリティにより広く認識されている。サンプルストリームからストリームスライスされたWasserstein (Stream-SW) と呼ばれるSWを計算するための最初の方法を提案する。
参考スコア（独自算出の注目度）: 12.633635777971804
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Sliced optimal transport (SOT) or sliced Wasserstein (SW) distance is widely recognized for its statistical and computational scalability. In this work, we further enhance the computational scalability by proposing the first method for computing SW from sample streams, called \emph{streaming sliced Wasserstein} (Stream-SW). To define Stream-SW, we first introduce the streaming computation of the one-dimensional Wasserstein distance. Since the one-dimensional Wasserstein (1DW) distance has a closed-form expression, given by the absolute difference between the quantile functions of the compared distributions, we leverage quantile approximation techniques for sample streams to define the streaming 1DW distance. By applying streaming 1DW to all projections, we obtain Stream-SW. The key advantage of Stream-SW is its low memory complexity while providing theoretical guarantees on the approximation error. We demonstrate that Stream-SW achieves a more accurate approximation of SW than random subsampling, with lower memory consumption, in comparing Gaussian distributions and mixtures of Gaussians from streaming samples. Additionally, we conduct experiments on point cloud classification, point cloud gradient flows, and streaming change point detection to further highlight the favorable performance of Stream-SW.
Abstract（参考訳）: スライスされた最適輸送(SOT)またはスライスされたワッサーシュタイン(SW)距離は、その統計的および計算的スケーラビリティにより広く認識されている。本研究では,サンプルストリームからSWを計算するための最初の手法である 'emph{streaming sliced Wasserstein} (Stream-SW) を提案した。 Stream-SWを定義するために,まず1次元ワッサースタイン距離のストリーミング計算を導入する。 1次元ワッサーシュタイン距離は、比較分布の量子関数の絶対差によって与えられる閉形式表現であるため、サンプルストリームの量子近似技術を利用して、ストリーミング1DW距離を定義する。ストリーミング1DWを全てのプロジェクションに適用することにより、Stream-SWが得られる。 Stream-SWの主な利点は、近似誤差に関する理論的保証を提供しながら、メモリの複雑さが低いことである。本稿では,ストリームサンプルからガウス分布とガウス混合体を比較し,ランダムサブサンプリングよりもSWの高精度な近似とメモリ消費の低減を実証する。さらに, ポイントクラウド分類, ポイントクラウド勾配流, ストリーミング変更点検出実験を行い, ストリームSWの性能をさらに強調する。

関連論文リスト

Sublinear Algorithms for Wasserstein and Total Variation Distances: Applications to Fairness and Privacy Auditing [7.81603404636933]
本稿では,ガウス分布のPDFとCDFを推定する汎用アルゴリズムフレームワークを提案する。サブ線形空間W.r.t.を必要とするサンプルのストリームから, 分布のマージ可能な要約を計算する。これにより、サンプルがストリームや複数のソースから到着している間に、Wasserstein と Total Variation (TV) の距離を2つの準ガウス距離で推定することができる。
論文参考訳（メタデータ） (2025-03-10T18:57:48Z)
ProReflow: Progressive Reflow with Decomposed Velocity [52.249464542399636]
フローマッチングは、拡散モデルの拡散過程を数ステップまたは1ステップ生成のために直線に再フローすることを目的としている。局所的な時間ステップで拡散モデルを段階的に再フローし,拡散全体を進行させるプログレッシブ・リフローを導入する。また,フローマッチングにおける方向整合の重要性を強調し,位置整合性を考慮したV-Predictionを導入する。
論文参考訳（メタデータ） (2025-03-05T04:50:53Z)
Sliced Wasserstein with Random-Path Projecting Directions [49.802024788196434]
本稿では,モンテカルロ予想推定のための高速サンプリングを行う最適化自由スライシング分布を提案する。我々はランダムパススライシング分布(RPSD)とスライスされたワッサースタインの2つの変種、すなわちランダムパススライシングワッサースタイン(RPSW)とIWRPSW(Importance Weighted Random-Path Projection Sliced Wasserstein)を導出する。
論文参考訳（メタデータ） (2024-01-29T04:59:30Z)
StreamDiffusion: A Pipeline-level Solution for Real-time Interactive Generation [52.56469577812338]
本稿では,インタラクティブな画像生成のためのリアルタイム拡散パイプラインStreamDiffusionを紹介する。既存の拡散モデルは、テキストや画像プロンプトから画像を作成するのに適しているが、リアルタイムのインタラクションでは不足することが多い。本稿では,従来のシーケンシャル・デノナイジングをデノナイジング・プロセスに変換する新しいアプローチを提案する。
論文参考訳（メタデータ） (2023-12-19T18:18:33Z)
Dynamic Frame Interpolation in Wavelet Domain [57.25341639095404]
ビデオフレームは、より流動的な視覚体験のためにフレームレートを上げることができる、重要な低レベルな計算ビジョンタスクである。既存の手法は、高度なモーションモデルと合成ネットワークを利用することで大きな成功を収めた。 WaveletVFIは、同様の精度を維持しながら最大40%の計算を削減できるため、他の最先端技術に対してより効率的に処理できる。
論文参考訳（メタデータ） (2023-09-07T06:41:15Z)
Sliced Wasserstein Estimation with Control Variates [47.18652387199418]
2つの確率測度の間のスライスされたワッサーシュタイン距離は、2つの1次元射影の間のワッサースタイン距離の予想として定義される。予測の難易度のために、SW距離の値を推定するためにモンテカルロ積分が実行される。様々な変種があるにもかかわらず、SW距離に対するモンテカルロ推定法を改善する事前の作業は行われていない。
論文参考訳（メタデータ） (2023-04-30T06:03:17Z)
Convex Hull Prediction for Adaptive Video Streaming by Recurrent Learning [38.574550778712236]
本稿では,コンテンツ認識凸船体予測の深層学習に基づく手法を提案する。再帰的畳み込みネットワーク(RCN)を用いて,映像の複雑さを暗黙的に解析し,その凸殻を予測する。提案するモデルでは, 最適凸殻の近似精度が向上し, 既存の手法と比較して, 競争時間の節約が期待できる。
論文参考訳（メタデータ） (2022-06-10T05:11:02Z)
Pattern Recognition and Event Detection on IoT Data-streams [0.483420384410068]
ビッグデータストリームは、その急速なペースと限られた情報ライフタイムのために、処理が難しい。ストリーム全体あるいはその大きな部分にわたって関数を格納、送信、計算しながら、ストリームサンプルを収集、通信することは困難である。ストリーム技術は、時間や精度の制限だけでなく、計算能力やメモリなどの1つ以上のリソースの限られた容量を意味する。
論文参考訳（メタデータ） (2022-03-02T15:19:42Z)
Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
論文参考訳（メタデータ） (2022-02-23T06:11:49Z)
Deep learning-based fast solver of the shallow water equations [1.2093180801186911]
浅水方程式(SWE)の従来の数値解法は計算に高価であり、高分解能な河床形状測定(ベースメトリー)を必要とする。そこで我々は,まず主成分測地学的アプローチ(PCGA)を用いて,流速測定から流速測定の確率密度関数を推定し,機械学習(ML)アルゴリズムを用いてSWEの高速解法を得る2段階プロセスを提案する。以上の結果から, 高速解法は, 浴量測定とBCの異なる流速を, 計算コストで精度良く予測できることを示した。
論文参考訳（メタデータ） (2021-11-23T07:47:56Z)
Non-Asymptotic Analysis of Stochastic Approximation Algorithms for Streaming Data [0.0]
ストリーミングフレームワークは、時系列に現れる時間変化のミニバッチを使用して最適化問題を解決するのに類似している。我々は、様々な勾配に基づくアルゴリズムの漸近収束率を提供する。時間変化したミニバッチに応じて学習率を選択して収束を加速する方法を示す。
論文参考訳（メタデータ） (2021-09-15T06:58:23Z)
Fast Approximation of the Sliced-Wasserstein Distance Using Concentration of Random Projections [19.987683989865708]
Sliced-Wasserstein distance (SW) は、機械学習アプリケーションでますます使われている。本稿では,測度現象の集中を利用してSWを近似する新しい視点を提案する。提案手法は多数のランダムなプロジェクションをサンプリングする必要はなく,通常のモンテカルロ近似と比較して正確かつ容易に利用できる。
論文参考訳（メタデータ） (2021-06-29T13:56:19Z)

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。