論文の概要: Neural Conditional Transport Maps

• arxiv url: http://arxiv.org/abs/2505.15808v1
• Date: Wed, 21 May 2025 17:59:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-22 15:42:59.824771
• Title: Neural Conditional Transport Maps
• Title（参考訳）: ニューラルコンディショナルトランスポートマップ
• Authors: Carlos Rodriguez-Pardo, Leonardo Chiani, Emanuele Borgonovo, Massimo Tavoni,
• Abstract要約: 本稿では,カテゴリー型と連続型の両方の条件変数を同時に処理できる条件付け機構を提案する。 提案手法のコアとなるハイパーネットワークは,これらの入力に基づいてトランスポート層パラメータを生成し,適応的なマッピングを生成する。 この研究は、条件付き最適輸送の最先端を推し進め、複雑な高次元領域への最適な輸送原理の広範な適用を可能にした。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We present a neural framework for learning conditional optimal transport (OT) maps between probability distributions. Our approach introduces a conditioning mechanism capable of processing both categorical and continuous conditioning variables simultaneously. At the core of our method lies a hypernetwork that generates transport layer parameters based on these inputs, creating adaptive mappings that outperform simpler conditioning methods. Comprehensive ablation studies demonstrate the superior performance of our method over baseline configurations. Furthermore, we showcase an application to global sensitivity analysis, offering high performance in computing OT-based sensitivity indices. This work advances the state-of-the-art in conditional optimal transport, enabling broader application of optimal transport principles to complex, high-dimensional domains such as generative modeling and black-box model explainability.
• Abstract（参考訳）: 本稿では,確率分布間の条件付き最適輸送(OT)マップを学習するためのニューラルネットワークフレームワークを提案する。 提案手法では,カテゴリー型と連続型の両方の条件変数を同時に処理できる条件付け機構を導入する。 提案手法のコアには,これらの入力に基づいてトランスポート層パラメータを生成するハイパーネットワークがあり,より単純な条件付け法よりも優れた適応写像を生成する。 包括的アブレーション研究は,本手法がベースライン構成よりも優れていることを示す。 さらに,地球規模の感度解析への応用を示し,OTに基づく感度指標の計算に高い性能を提供する。 この研究は、条件付き最適輸送の最先端を推し進め、生成モデリングやブラックボックスモデル説明可能性といった複雑な高次元領域に最適な輸送原理を広く適用することを可能にする。

関連論文リスト

• Minimum-Excess-Work Guidance [17.15668604906196]
  本稿では,事前学習した確率フロー生成モデルを導くための正規化フレームワークを提案する。 本手法は,科学応用に共通するスパースデータ体制における効率的なガイダンスを可能にする。 粗粒タンパク質モデルにおけるフレームワークの汎用性を実証する。
  論文  参考訳（メタデータ） (2025-05-19T17:19:43Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• Optimal Transport Adapter Tuning for Bridging Modality Gaps in Few-Shot Remote Sensing Scene Classification [80.83325513157637]
  Few-Shot Remote Sensing Scene Classification (FS-RSSC)は,限られたラベル付きサンプルを用いたリモートセンシング画像の分類の課題を示す。 理想的なプラトン表現空間を構築することを目的とした,OTAT(Optimal Transport Adapter Tuning)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-19T07:04:24Z)
• 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)
• Efficient Neural Network Approaches for Conditional Optimal Transport with Applications in Bayesian Inference [1.740133468405535]
  D1450F4545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545 4545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545 4545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545 4545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545 4545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545 4545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545 4545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545 454545454545454545454545454545454545454545454545454545454545
  論文  参考訳（メタデータ） (2023-10-25T20:20:09Z)
• On the Existence of Optimal Transport Gradient for Learning Generative Models [8.602553195689513]
  Wasserstein Generative Adversarial Networks (WGAN) のトレーニングは、最適な輸送コストの勾配の計算に依存する。 まず、そのような勾配は定義されない可能性を示し、勾配に基づく最適化の際の数値的不安定性をもたらす。 実験データの離散性を利用して、半離散的な設定で勾配を定式化し、生成モデルパラメータの最適化のためのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-10T16:28:20Z)
• Comparing Probability Distributions with Conditional Transport [63.11403041984197]
  新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。 ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。 さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
  論文  参考訳（メタデータ） (2020-12-28T05:14:22Z)
• Generalization Properties of Optimal Transport GANs with Latent Distribution Learning [52.25145141639159]
  本研究では,潜伏分布とプッシュフォワードマップの複雑さの相互作用が性能に与える影響について検討する。 我々の分析に感銘を受けて、我々はGANパラダイム内での潜伏分布とプッシュフォワードマップの学習を提唱した。
  論文  参考訳（メタデータ） (2020-07-29T07:31:33Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)

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。