論文の概要: Variational inference via radial transport

• arxiv url: http://arxiv.org/abs/2602.17525v1
• Date: Thu, 19 Feb 2026 16:36:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-20 15:21:29.211483
• Title: Variational inference via radial transport
• Title（参考訳）: 放射状輸送による変分推論
• Authors: Luca Ghafourpour, Sinho Chewi, Alessio Figalli, Aram-Alexandre Pooladian,
• Abstract要約: 変分推論 (VI) において、実践者は高次元分布を単純な代理分布、しばしば(積)ガウス分布と近似する。 本研究では、これらの放射状プロファイルの最適化の観点から、VI問題にアプローチする。 我々のアルゴリズムradVIはガウスVIやラプラス近似などの既存のVIスキームに対する安価で効果的なアドオンである。
• 参考スコア（独自算出の注目度）: 13.100339469711466
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In variational inference (VI), the practitioner approximates a high-dimensional distribution $π$ with a simple surrogate one, often a (product) Gaussian distribution. However, in many cases of practical interest, Gaussian distributions might not capture the correct radial profile of $π$, resulting in poor coverage. In this work, we approach the VI problem from the perspective of optimizing over these radial profiles. Our algorithm radVI is a cheap, effective add-on to many existing VI schemes, such as Gaussian (mean-field) VI and Laplace approximation. We provide theoretical convergence guarantees for our algorithm, owing to recent developments in optimization over the Wasserstein space--the space of probability distributions endowed with the Wasserstein distance--and new regularity properties of radial transport maps in the style of Caffarelli (2000).
• Abstract（参考訳）: 変分推論 (VI) において、実践者は高次元分布$π$ を単純な代理分布、しばしば(積)ガウス分布と近似する。 しかし、実際的な関心の多くの場合において、ガウス分布は正しいπ$の半径プロファイルを捉えないかもしれない。 本研究では、これらの放射状プロファイルの最適化の観点から、VI問題にアプローチする。 我々のアルゴリズムradVIはガウスVIやラプラス近似などの既存のVIスキームに対する安価で効果的なアドオンである。 我々は、ワッサーシュタイン空間(ワッサーシュタイン距離によって与えられる確率分布の空間)に対する最近の最適化の進展と、カファレッリ (2000) スタイルのラジアルトランスポートマップの新たな正則性により、アルゴリズムの理論的収束を保証する。

関連論文リスト

• Relative Wasserstein Angle and the Problem of the $W_2$-Nearest Gaussian Distribution [4.042425236692822]
  本研究では, 最適輸送の枠組みの下で, 経験的分布がガウス性からどこまで逸脱するかを定量化する問題について検討する。 相対変換不変な二次ワッサーシュタイン空間の錐幾何学を利用して、2つの新しい幾何学量を導入する。 この空間の任意の2光線によって生成される充填円錐は平坦であり、角度、射影、内部積が厳密に明確に定義されていることを証明する。
  論文  参考訳（メタデータ） (2026-01-29T22:03:10Z)
• Optimal Transportation and Alignment Between Gaussian Measures [80.4634530260329]
  最適なトランスポート(OT)とGromov-Wasserstein(GW)アライメントは、データセットの解釈可能な幾何学的フレームワークを提供する。 これらのフレームワークは計算コストが高いため、大規模アプリケーションは2次コストでガウス分布の閉形式解に依存することが多い。 この研究は、ガウス的、二次的コスト OT と内部積 GW (IGW) のアライメントを包括的に扱い、文学におけるいくつかのギャップを埋めて適用性を広げる。
  論文  参考訳（メタデータ） (2025-12-03T09:01:48Z)
• On the Wasserstein Convergence and Straightness of Rectified Flow [54.580605276017096]
  Rectified Flow (RF) は、ノイズからデータへの直流軌跡の学習を目的とした生成モデルである。 RFのサンプリング分布とターゲット分布とのワッサーシュタイン距離に関する理論的解析を行った。 本稿では,従来の経験的知見と一致した1-RFの特異性と直線性を保証する一般的な条件について述べる。
  論文  参考訳（メタデータ） (2024-10-19T02:36:11Z)
• Extending Mean-Field Variational Inference via Entropic Regularization: Theory and Computation [3.1048285287226904]
  変分推論 (VI) は高次元ベイズモデルに対する近似推論の一般的な方法として登場した。 エントロピー正則化を通したナイーブ平均場を拡張する新しいVI法を提案する。 我々は,$Xi$-variational rearsが真の後縁依存性を効果的に回復することを示した。
  論文  参考訳（メタデータ） (2024-04-14T01:40:11Z)
• Forward-backward Gaussian variational inference via JKO in the Bures-Wasserstein Space [19.19325201882727]
  変分推論 (VI) は、ターゲット分布の$pi$を、抽出可能な分布の族の元によって近似しようとする。 本研究では,フォワード・バック・ガウス変分推論(FB-GVI)アルゴリズムを開発し,ガウスVIを解く。 提案アルゴリズムでは,$pi$ が log-smooth かつ log-concave である場合に,最先端の収束保証が得られる。
  論文  参考訳（メタデータ） (2023-04-10T19:49:50Z)
• Robust computation of optimal transport by $\beta$-potential regularization [79.24513412588745]
  最適輸送(OT)は、確率分布間の差を測定する機械学習分野で広く使われているツールである。 我々は、いわゆる$beta$-divergenceに付随するベータポテンシャル項でOTを正規化することを提案する。 提案アルゴリズムで計算した輸送行列は,外乱が存在する場合でも確率分布を頑健に推定するのに役立つことを実験的に実証した。
  論文  参考訳（メタデータ） (2022-12-26T18:37:28Z)
• Sliced Wasserstein Variational Inference [3.405431122165563]
  最適輸送から生じる有効な計量であるスライスされたワッサーシュタイン距離を最小化することで,新しい変分推定法を提案する。 我々の近似は、ニューラルネットワークのようなジェネレータによって近似ファミリーを再生できるように、変動分布の引き込み可能な密度関数も必要としない。
  論文  参考訳（メタデータ） (2022-07-26T20:51:51Z)
• A Note on Optimizing Distributions using Kernel Mean Embeddings [94.96262888797257]
  カーネル平均埋め込みは、その無限次元平均埋め込みによる確率測度を表す。 カーネルが特徴的である場合、カーネルの総和密度を持つ分布は密度が高いことを示す。 有限サンプル設定でそのような分布を最適化するアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2021-06-18T08:33:45Z)
• 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)
• Linear Optimal Transport Embedding: Provable Wasserstein classification for certain rigid transformations and perturbations [79.23797234241471]
  分布の区別は多くの科学分野において重要な問題である。 線形最適輸送(LOT)は分布の空間を$L2$-スペースに埋め込む。 複数の分布分類問題に対するLOTの利点を実証する。
  論文  参考訳（メタデータ） (2020-08-20T19:09:33Z)

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。