論文の概要: Liouville PDE-based sliced-Wasserstein flow for fair regression

• arxiv url: http://arxiv.org/abs/2505.17204v1
• Date: Thu, 22 May 2025 18:21:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-26 18:08:33.647413
• Title: Liouville PDE-based sliced-Wasserstein flow for fair regression
• Title（参考訳）: Liouville PDE-based sliced-Wasserstein flow for fair regression (特集:バイオサイバネティックスとバイオサイバネティックス)
• Authors: Pilhwa Lee, Jayshawn Cooper,
• Abstract要約: 我々はスライスされたワッサースタインフロー(SWF)をいくつかの面で改善した。 ワッサーシュタインバリセンターの計算は、カントロヴィチポテンシャルの処方によってSWFバリセンターによって近似される。 これらの2つの取り組みは、分散の少ないSWFおよびSWFバリセンタの訓練および試験における収束性を改善する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The sliced Wasserstein flow (SWF), a nonparametric and implicit generative gradient flow, is applied to fair regression. We have improved the SWF in a few aspects. First, the stochastic diffusive term from the Fokker-Planck equation-based Monte Carlo is transformed to Liouville partial differential equation (PDE)-based transport with density estimation, however, without the diffusive term. Now, the computation of the Wasserstein barycenter is approximated by the SWF barycenter with the prescription of Kantorovich potentials for the induced gradient flow to generate its samples. These two efforts improve the convergence in training and testing SWF and SWF barycenters with reduced variance. Applying the generative SWF barycenter for fair regression demonstrates competent profiles in the accuracy-fairness Pareto curves.
• Abstract（参考訳）: 非パラメトリックかつ暗黙的な生成勾配流であるスライスされたワッサースタイン流(SWF)は、公正回帰に適用される。 私たちはSWFをいくつかの面で改善しました。 第一に、フォッカー・プランク方程式に基づくモンテカルロの確率微分項は、密度推定を伴うリウヴィル偏微分方程式(PDE)に基づく輸送に変換されるが、微分項は含まない。 現在,Warsserstein Barycenterの計算は,SWF Barycenterによって誘導勾配流のカントロヴィチポテンシャルの処方則を用いて近似され,サンプルを生成する。 これらの2つの取り組みは、分散の少ないSWFおよびSWFバリセンタの訓練および試験における収束性を改善する。 フェアレグレッションのための生成SWFバリセンタの適用は、精度-公正パレート曲線における有能なプロファイルを示す。

関連論文リスト

• Flow matching achieves almost minimax optimal convergence [50.38891696297888]
  フローマッチング (FM) は, シミュレーションのない生成モデルとして注目されている。 本稿では,大試料径のFMの収束特性を$p$-Wasserstein 距離で論じる。 我々は、FMが1leq p leq 2$でほぼ最小の収束率を達成できることを確立し、FMが拡散モデルに匹敵する収束率に達するという最初の理論的証拠を示す。
  論文  参考訳（メタデータ） (2024-05-31T14:54:51Z)
• MGF: Mixed Gaussian Flow for Diverse Trajectory Prediction [72.70572835589158]
  本稿では,軌道予測のための正規化フローモデルに対して,混合ガウス前駆体を構築することを提案する。 提案手法は,一般的な UCY/ETH および SDD データセットにおける軌道アライメントと多様性の評価において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-02-19T15:48:55Z)
• Geometry-Aware Normalizing Wasserstein Flows for Optimal Causal Inference [0.0]
  本稿では,パラメトリックサブモデルと連続正規化フローを統合することにより,因果推論に対する画期的なアプローチを提案する。 我々は、最適輸送とワッサーシュタイン勾配流を利用して、有限サンプル設定における最小分散の因果推論手法を開発する。 予備実験では, 従来の流れに比べて平均二乗誤差が低い。
  論文  参考訳（メタデータ） (2023-11-30T18:59:05Z)
• Particle-based Variational Inference with Generalized Wasserstein Gradient Flow [32.37056212527921]
  本稿では一般化ワッサーシュタイン勾配勾配(GWG)と呼ばれるParVIフレームワークを提案する。 GWGが強い収束保証を示すことを示す。 また、収束を加速するためにワッサーシュタイン計量を自動的に選択する適応版も提供する。
  論文  参考訳（メタデータ） (2023-10-25T10:05:42Z)
• Nonparametric Generative Modeling with Conditional Sliced-Wasserstein Flows [101.31862036510701]
  SWF(Sliced-Wasserstein Flow)は、非パラメトリックな生成モデルに対する有望なアプローチであるが、その最適な生成品質と条件付きモデリング能力の欠如により広く採用されていない。 本研究では,SWF の簡易かつ効果的な拡張である条件付きスライス・ワッサースタインフロー (CSWF) を提案する。
  論文  参考訳（メタデータ） (2023-05-03T14:55:43Z)
• Variational Gaussian filtering via Wasserstein gradient flows [6.023171219551961]
  ガウスとガウスの混合フィルタを近似する新しい手法を提案する。 本手法は勾配流表現による変分近似に依存する。
  論文  参考訳（メタデータ） (2023-03-11T12:22:35Z)
• GANs as Gradient Flows that Converge [3.8707695363745223]
  分布依存常微分方程式によって誘導される勾配流に沿って、未知のデータ分布が長時間の極限として現れることを示す。 ODEのシミュレーションは、生成ネットワーク(GAN)のトレーニングと等価である。 この等価性は、GANの新たな「協力的」見解を提供し、さらに重要なのは、GANの多様化に新たな光を放つことである。
  論文  参考訳（メタデータ） (2022-05-05T20:29:13Z)
• 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)
• Cumulant GAN [17.4556035872983]
  GAN(Generative Adversarial Networks)を学習するための新しい損失関数を提案する。 対応する最適化問題は R'enyi divergence minimization と同値であることを示す。 我々は,画像生成がWasserstein GANに対してより堅牢であることを実験的に実証した。
  論文  参考訳（メタデータ） (2020-06-11T17:23:02Z)

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。