論文の概要: Neighbor Embeddings Using Unbalanced Optimal Transport Metrics
- arxiv url: http://arxiv.org/abs/2509.19226v1
- Date: Tue, 23 Sep 2025 16:49:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-24 20:41:27.958721
- Title: Neighbor Embeddings Using Unbalanced Optimal Transport Metrics
- Title（参考訳）: 不均衡最適輸送量を用いた隣の埋め込み
- Authors: Muhammad Rana, Keaton Hamm,
- Abstract要約: 本稿では,次元減少学習パイプラインにおける不均衡最適輸送(UOT)からHellinger-Kantorovich計量を用いることを提案する。
UOTの性能は、MedMNISTを含むいくつかのベンチマークデータセット上での通常のOTとユークリッドに基づく次元削減法と比較される。
- 参考スコア（独自算出の注目度）: 0.5070542698701156
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper proposes the use of the Hellinger--Kantorovich metric from unbalanced optimal transport (UOT) in a dimensionality reduction and learning (supervised and unsupervised) pipeline. The performance of UOT is compared to that of regular OT and Euclidean-based dimensionality reduction methods on several benchmark datasets including MedMNIST. The experimental results demonstrate that, on average, UOT shows improvement over both Euclidean and OT-based methods as verified by statistical hypothesis tests. In particular, on the MedMNIST datasets, UOT outperforms OT in classification 81\% of the time. For clustering MedMNIST, UOT outperforms OT 83\% of the time and outperforms both other metrics 58\% of the time.
- Abstract（参考訳）: 本稿では,不均衡な最適輸送(UOT)からヘリンジャー・カントロビッチ計量(Helinger--Kantorovich metric)を次元的減少と学習(教師なしおよび教師なし)パイプラインに適用することを提案する。
UOTの性能は、MedMNISTを含むいくつかのベンチマークデータセット上での通常のOTとユークリッドに基づく次元削減法と比較される。
実験結果から,UOTは平均的にユークリッド法とOT法の両方に改善が認められた。
特に、MedMNISTデータセットでは、UTTがOTを81倍に上回っている。
MedMNISTのクラスタリングでは、UTTはOT 83\%を上回り、他のメトリクスも58\%を上回ります。
関連論文リスト
- PUATE: Efficient Average Treatment Effect Estimation from Treated (Positive) and Unlabeled Units [7.8856737627153874]
我々は、治療群とラベルなし群のみを観察する環境で、ATEのための半パラメトリック効率的な推定器を開発した。
本研究は,データ不足と弱教師付き学習による因果推論の文献化に寄与する。
論文 参考訳（メタデータ） (2025-01-31T17:47:32Z) - STATE: A Robust ATE Estimator of Heavy-Tailed Metrics for Variance Reduction in Online Controlled Experiments [22.32661807469984]
我々は、学生のt分布と機械学習ツールを統合して、ヘビーテールのメトリクスに適合する新しいフレームワークを開発する。
ログ類似度関数を最適化するために変分EM法を採用することにより、アウトリアの負の影響を大幅に排除するロバストな解を推測できる。
Meituan実験プラットフォーム上での合成データと長期実験結果のシミュレーションにより,本手法の有効性を実証した。
論文 参考訳（メタデータ） (2024-07-23T09:35:59Z) - A Specialized Semismooth Newton Method for Kernel-Based Optimal
Transport [92.96250725599958]
カーネルベース最適輸送(OT)推定器は、サンプルからOT問題に対処するための代替的機能的推定手順を提供する。
SSN法は, 標準正規性条件下でのグローバル収束率$O (1/sqrtk)$, 局所二次収束率を達成できることを示す。
論文 参考訳（メタデータ） (2023-10-21T18:48:45Z) - 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) - Joint Metrics Matter: A Better Standard for Trajectory Forecasting [67.1375677218281]
マルチモーダル・トラジェクトリ・予測法 : シングルエージェント・メトリクス(マージナル・メトリクス)を用いた評価
余分な指標にのみ注目することは、グループとして明確に一緒に歩いている人々のために、軌跡の衝突や軌跡のばらつきといった、不自然な予測につながる可能性がある。
本稿では,JADE,JFDE,衝突速度といったマルチエージェントメトリクス(ジョイントメトリクス)に関して,最先端トラジェクトリ予測手法の総合評価を行った。
論文 参考訳（メタデータ） (2023-05-10T16:27:55Z) - Efficient Cluster-Based k-Nearest-Neighbor Machine Translation [65.69742565855395]
k-Nearest-Neighbor Machine Translation (kNN-MT)は、最近、ニューラルネットワーク翻訳(NMT)におけるドメイン適応のための非パラメトリックソリューションとして提案されている。
論文 参考訳（メタデータ） (2022-04-13T05:46:31Z) - Meta Learning Low Rank Covariance Factors for Energy-Based Deterministic
Uncertainty [58.144520501201995]
ニューラルネットワーク層のBi-Lipschitz正規化は、各レイヤの特徴空間におけるデータインスタンス間の相対距離を保存する。
注意セットエンコーダを用いて,タスク固有の共分散行列を効率的に構築するために,対角的,対角的,低ランクな要素のメタ学習を提案する。
また,最終的な予測分布を達成するために,スケールしたエネルギーを利用する推論手法を提案する。
論文 参考訳（メタデータ） (2021-10-12T22:04:19Z) - Tensor-Train Density Estimation [16.414910030716555]
密度推定(TTDE)のための高効率テンソルトレインモデルを提案する。
このような密度パラメトリゼーションは、正確なサンプリング、累積および限界密度関数の計算、および分割関数を可能にする。
TTDEは,トレーニング速度において競技者よりも有意に優れていた。
論文 参考訳（メタデータ） (2021-07-30T21:51:12Z)
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。