論文の概要: discretize_distributions: Efficient Quantization of Gaussian Mixtures with Guarantees in Wasserstein Distance

• arxiv url: http://arxiv.org/abs/2511.15854v1
• Date: Wed, 19 Nov 2025 20:23:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-21 17:08:52.365826
• Title: discretize_distributions: Efficient Quantization of Gaussian Mixtures with Guarantees in Wasserstein Distance
• Title（参考訳）: discretize_distributions: ワッサーシュタイン距離におけるガウス混合と保証値の効率的な量子化
• Authors: Steven Adams, Elize Alwash, Luca Laurenti,
• Abstract要約: discretize_distributionsはPythonパッケージで、ガウス混合分布の離散近似を構成する。 離散化_分布は計算コストの低い精度で近似することを示す。
• 参考スコア（独自算出の注目度）: 5.020978032396304
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present discretize_distributions, a Python package that efficiently constructs discrete approximations of Gaussian mixture distributions and provides guarantees on the approximation error in Wasserstein distance. The package implements state-of-the-art quantization methods for Gaussian mixture models and extends them to improve scalability. It further integrates complementary quantization strategies such as sigma-point methods and provides a modular interface that supports custom schemes and integration into control and verification pipelines for cyber-physical systems. We benchmark the package on various examples, including high-dimensional, large, and degenerate Gaussian mixtures, and demonstrate that discretize_distributions produces accurate approximations at low computational cost.
• Abstract（参考訳）: 本稿では,ガウス混合分布の離散近似を効率的に構築し,ワッサーシュタイン距離における近似誤差の保証を行うPythonパッケージであるdisretize_distributionsを提案する。 このパッケージはガウス混合モデルのための最先端の量子化手法を実装し、スケーラビリティを向上させるために拡張する。 さらに、シグマポイント法のような補完的な量子化戦略を統合し、サイバー物理システムの制御と検証パイプラインへのカスタムスキームと統合をサポートするモジュールインターフェースを提供する。 本稿では, 高次元, 大規模, 縮退したガウス混合を含む様々な例でパッケージをベンチマークし, 離散化_分布が計算コストの低い正確な近似を生成することを示す。

関連論文リスト

• Steering Large Agent Populations using Mean-Field Schrodinger Bridges with Gaussian Mixture Models [13.03355083378673]
  Mean-Field Schrodinger Bridge (MFSB) 問題は、最小の作業制御ポリシーを見つけることを目的とした最適化問題である。 マルチエージェント制御の文脈において、目的は同一の相互作用する協調エージェントの群の構成を制御することである。
  論文  参考訳（メタデータ） (2025-03-31T04:01:04Z)
• Weighted quantization using MMD: From mean field to mean shift via gradient flows [5.216151302783165]
  We show that a Wasserstein-Fisher-Rao gradient flow is well suit for design Quantizations optimal under MMD。 我々は平均シフト相互作用粒子(MSIP)と呼ばれる新しい固定点アルゴリズムを導出する。 我々の勾配流、平均シフト、MDD最適量子化の統合は、最先端の手法よりもアルゴリズムをより堅牢にします。
  論文  参考訳（メタデータ） (2025-02-14T23:13:20Z)
• Closed-form Filtering for Non-linear Systems [83.91296397912218]
  我々は密度近似と計算効率の面でいくつかの利点を提供するガウスPSDモデルに基づく新しいフィルタのクラスを提案する。 本研究では,遷移や観測がガウスPSDモデルである場合,フィルタリングを効率的にクローズド形式で行うことができることを示す。 提案する推定器は, 近似の精度に依存し, 遷移確率の正則性に適応する推定誤差を伴って, 高い理論的保証を享受する。
  論文  参考訳（メタデータ） (2024-02-15T08:51:49Z)
• Distributed Markov Chain Monte Carlo Sampling based on the Alternating Direction Method of Multipliers [143.6249073384419]
  本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。 我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。 シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
  論文  参考訳（メタデータ） (2024-01-29T02:08:40Z)
• 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)
• Numerically Stable Sparse Gaussian Processes via Minimum Separation using Cover Trees [57.67528738886731]
  誘導点に基づくスケーラブルスパース近似の数値安定性について検討する。 地理空間モデリングなどの低次元タスクに対しては,これらの条件を満たす点を自動計算する手法を提案する。
  論文  参考訳（メタデータ） (2022-10-14T15:20:17Z)
• Scalable Variational Gaussian Processes via Harmonic Kernel Decomposition [54.07797071198249]
  汎用性を維持しつつ高い忠実度近似を提供する,スケーラブルな変分ガウス過程近似を導入する。 様々な回帰問題や分類問題において,本手法は変換やリフレクションなどの入力空間対称性を活用できることを実証する。 提案手法は, 純粋なGPモデルのうち, CIFAR-10 の最先端化を実現する。
  論文  参考訳（メタデータ） (2021-06-10T18:17:57Z)
• Large-Scale Wasserstein Gradient Flows [84.73670288608025]
  ワッサーシュタイン勾配流を近似するスケーラブルなスキームを導入する。 我々のアプローチは、JKOステップを識別するために、入力ニューラルネットワーク(ICNN)に依存しています。 その結果、勾配拡散の各ステップで測定値からサンプリングし、その密度を計算することができる。
  論文  参考訳（メタデータ） (2021-06-01T19:21:48Z)
• Distributed Sketching Methods for Privacy Preserving Regression [54.51566432934556]
  ランダム化されたスケッチを利用して、問題の次元を減らし、プライバシを保ち、非同期分散システムにおけるストラグラーレジリエンスを改善します。 従来のスケッチ手法に対する新しい近似保証を導出し、分散スケッチにおけるパラメータ平均化の精度を解析する。 大規模実験によるサーバレスコンピューティングプラットフォームにおける分散スケッチのパフォーマンスについて説明する。
  論文  参考訳（メタデータ） (2020-02-16T08:35:48Z)

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。