論文の概要: Conditional Unbalanced Optimal Transport Maps: An Outlier-Robust Framework for Conditional Generative Modeling

• arxiv url: http://arxiv.org/abs/2603.06972v2
• Date: Thu, 12 Mar 2026 15:34:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-13 14:46:25.424493
• Title: Conditional Unbalanced Optimal Transport Maps: An Outlier-Robust Framework for Conditional Generative Modeling
• Title（参考訳）: 条件付き不均衡最適輸送マップ:条件付き生成モデルのためのアウトリー・ロバスト・フレームワーク
• Authors: Jiwoo Yoon, Kyumin Choi, Jaewoong Choi,
• Abstract要約: 条件不均衡最適輸送(CUOT)問題は、シスジールの発散による条件分布整合制約を緩和する。 三角形$c$-transformパラメーターを用いた外乱条件生成モデルである条件不均衡最適輸送マップ(CUOTM)を提案する。 2次元合成および画像スケールのデータセットを用いた実験により,CUOTMはより優れた出力ロバスト性および競合分布マッチング性能が得られることを示した。
• 参考スコア（独自算出の注目度）: 9.488297561764211
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conditional Optimal Transport (COT) problem aims to find a transport map between conditional source and target distributions while minimizing the transport cost. Recently, these transport maps have been utilized in conditional generative modeling tasks to establish efficient mappings between the distributions. However, classical COT inherits a fundamental limitation of optimal transport, i.e., sensitivity to outliers, which arises from the hard distribution matching constraints. This limitation becomes more pronounced in a conditional setting, where each conditional distribution is estimated from a limited subset of data. To address this, we introduce the Conditional Unbalanced Optimal Transport (CUOT) framework, which relaxes conditional distribution-matching constraints through Csiszár divergence penalties while strictly preserving the conditioning marginals. We establish a rigorous formulation of the CUOT problem and derive its dual and semi-dual formulations. Based on the semi-dual form, we propose Conditional Unbalanced Optimal Transport Maps (CUOTM), an outlier-robust conditional generative model built upon a triangular $c$-transform parameterization. We theoretically justify the validity of this parameterization by proving that the optimal triangular map satisfies the $c$-transform relationships. Our experiments on 2D synthetic and image-scale datasets demonstrate that CUOTM achieves superior outlier robustness and competitive distribution-matching performance compared to existing COT-based baselines, while maintaining high sampling efficiency.
• Abstract（参考訳）: 条件付き最適輸送(COT)問題は,輸送コストを最小限に抑えつつ,条件付きソースと目標分布間の輸送マップを見つけることを目的としている。 近年,これらのトランスポートマップは条件付き生成モデリングタスクに利用され,分布間の効率的なマッピングが確立されている。 しかし、古典的なCOTは、最適な輸送の基本的な制限、すなわち、ハードな分布整合制約から生じる外れ値への感度を継承する。 この制限は、各条件分布がデータの限られた部分集合から推定される条件設定でより顕著になる。 これを解決するために,条件付き不均衡最適輸送(CUOT)フレームワークを導入し,条件付き限界を厳格に保ちつつ,条件付き分散マッチング制約をCsiszár分散ペナルティで緩和する。 我々は、CUOT問題の厳密な定式化を確立し、その双対および半双対の定式化を導出する。 半二重形式に基づいて, 三角形の$c$-変換パラメーターを用いた外乱条件生成モデルである条件不均衡最適輸送マップ(CUOTM)を提案する。 最適三角写像が$c$-変換関係を満たすことを証明して、このパラメータ化の有効性を理論的に正当化する。 2次元合成・画像スケールデータセットを用いた実験により, CUOTMは既存のCOTベースベースラインと比較して, 高サンプリング効率を保ちながら, 優れたアウトレーラロバスト性および競合分布整合性能が得られることを示した。

関連論文リスト

• Pairwise Optimal Transports for Training All-to-All Flow-Based Condition Transfer Model [15.078804369762993]
  本研究では,条件分布間の全転送マップをフローベースで学習する手法を提案する。 本稿では,全ての条件分布に対する最適輸送の同時学習を可能にする新しいコスト関数を提案する。
  論文  参考訳（メタデータ） (2025-04-04T05:32:54Z)
• The Curse of Conditions: Analyzing and Improving Optimal Transport for Conditional Flow-Based Generation [56.33404393159126]
  本稿では,最適輸送代入を計算する際に,コスト行列に条件付き重み付け項を追加する条件付き最適輸送C2OTを提案する。 実験では、この単純な修正は8gaussian-to-moons、CIFAR-10、ImageNet-32x32、ImageNet-256x256の離散的条件と連続的条件の両方で動作することを示した。
  論文  参考訳（メタデータ） (2025-03-13T17:59:56Z)
• Optimal Transport-Guided Conditional Score-Based Diffusion Models [63.14903268958398]
  条件付きスコアベース拡散モデル(SBDM)は、条件付きデータを条件としてターゲットデータの条件付き生成を行い、画像翻訳において大きな成功を収めた。 本稿では, 最適輸送誘導条件付きスコアベース拡散モデル(OTCS)を提案する。
  論文  参考訳（メタデータ） (2023-11-02T13:28:44Z)
• Consistent Optimal Transport with Empirical Conditional Measures [0.6562256987706128]
  共振器における2つの関節分布間の最適輸送(OT)の問題点を考察する。 我々は、共同サンプル上で計算されたカーネル化された最小二乗項を使用し、輸送計画の条件的目的に暗黙的に一致する。 本手法は, 治療に対する細胞応答予測の文脈において, 短時間の分類のための即時学習や条件生成などの応用に適用する場合, 最先端の手法を改良する。
  論文  参考訳（メタデータ） (2023-05-25T10:01:57Z)
• 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)
• Autoregressive Score Matching [113.4502004812927]
  自動回帰条件スコアモデル(AR-CSM)を提案する。 AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。 本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
  論文  参考訳（メタデータ） (2020-10-24T07:01:24Z)

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。