論文の概要: Fixed-Point Neural Optimal Transport without Implicit Differentiation

• arxiv url: http://arxiv.org/abs/2605.10792v1
• Date: Mon, 11 May 2026 16:22:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 02:24:05.580184
• Title: Fixed-Point Neural Optimal Transport without Implicit Differentiation
• Title（参考訳）: 含意差のない固定点ニューラルトランスポート
• Authors: Yesom Park, Eric Gelphman, Stanley Osher, Samy Wu Fung,
• Abstract要約: 本稿では, 最適輸送の暗黙的ニューラル定式化を提案し, 対向的な min-max 最適化とマルチネットワークアーキテクチャを排除した。 我々のキーとなる考え方は、カントロビッチ双対の単一ポテンシャルをパラメータ化し、関連するc-変換を近位不動点問題として再構成することである。 これにより安定な単一ネットワークの枠組みが得られ、双対実現性は近似最適条件によって正確に強制される。
• 参考スコア（独自算出の注目度）: 3.4298729855744026
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose an implicit neural formulation of optimal transport that eliminates adversarial min--max optimization and multi-network architectures commonly used in existing approaches. Our key idea is to parameterize a single potential in the Kantorovich dual and reformulate the associated c-transform as a proximal fixed-point problem. This yields a stable single-network framework in which dual feasibility is enforced exactly through proximal optimality conditions rather than adversarial training. Despite the inner fixed-point computation, gradients can be computed without differentiating through the fixed-point iterations, enabling efficient training without requiring implicit differentiation. We further establish convergence of stochastic gradient descent. The resulting framework is efficient, scalable, and broadly applicable: it simultaneously recovers forward and backward transport maps and naturally extends to class-conditional settings. Experiments on high-dimensional Gaussian benchmarks, physical datasets, and image translation tasks demonstrate strong transport accuracy together with improved training stability and favorable computational and memory efficiency.
• Abstract（参考訳）: 本稿では,既存の手法でよく用いられる,対向的なmin-max最適化とマルチネットワークアーキテクチャを排除した,最適輸送の暗黙的ニューラル定式化を提案する。 我々のキーとなる考え方は、カントロビッチ双対の1つのポテンシャルをパラメータ化し、関連するc-変換を近位不動点問題として再構成することである。 これは安定な単一ネットワークの枠組みをもたらし、二重実現可能性は敵の訓練よりも近い最適条件によって正確に強制される。 内部の固定点計算にも拘わらず、勾配は固定点反復を微分することなく計算でき、暗黙の微分を必要としない効率的な訓練を可能にする。 さらに,確率勾配勾配の収束を確立した。 結果として得られるフレームワークは効率的でスケーラブルで、広く適用可能で、同時に前方および後方のトランスポートマップを復元し、クラス条件設定に自然に拡張します。 高次元ガウスベンチマーク、物理データセット、画像翻訳タスクの実験は、トレーニング安定性の向上と良好な計算とメモリ効率の向上とともに、強力な輸送精度を示す。

関連論文リスト

• Variational Entropic Optimal Transport [67.76725267984578]
  本稿では,ドメイン翻訳問題に対する変分エントロピー最適輸送(VarEOT)を提案する。 VarEOTは、補助正の正規化子上のトラクタブルな一般化として、log-partition $log mathbbE[exp(cdot)$の正確な変分再構成に基づいている。 合成データと画像と画像の変換に関する実験は、競争力のあるか、あるいはより良い翻訳品質を示す。
  論文  参考訳（メタデータ） (2026-02-02T15:48:44Z)
• Neural Optimal Transport Meets Multivariate Conformal Prediction [58.43397908730771]
  条件付きベクトル回帰(CVQR)のためのフレームワークを提案する。 CVQRは、ニューラルネットワークの最適輸送と量子化された最適化を組み合わせて、予測に適用する。
  論文  参考訳（メタデータ） (2025-09-29T19:50:19Z)
• A Novel Unified Parametric Assumption for Nonconvex Optimization [53.943470475510196]
  非最適化は機械学習の中心であるが、一般の非凸性は弱い収束を保証するため、他方に比べて悲観的すぎる。 非凸アルゴリズムに新しい統一仮定を導入する。
  論文  参考訳（メタデータ） (2025-02-17T21:25:31Z)
• ENOT: Expectile Regularization for Fast and Accurate Training of Neural Optimal Transport [3.0237149871998095]
  最適な輸送計画の正確かつ効率的に推定する新しい手法を提案する。 expectile Regularized Neural Transport Optimal (ENOT) と呼ばれる。 ENOTは二重ポテンシャルの学習過程に結合条件を強制する。
  論文  参考訳（メタデータ） (2024-03-06T15:15:42Z)
• Efficient Neural Network Approaches for Conditional Optimal Transport with Applications in Bayesian Inference [1.740133468405535]
  D1450F4545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545 4545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545 4545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545 4545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545 4545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545 4545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545 4545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545454545 454545454545454545454545454545454545454545454545454545454545
  論文  参考訳（メタデータ） (2023-10-25T20:20:09Z)
• Fast Computation of Optimal Transport via Entropy-Regularized Extragradient Methods [75.34939761152587]
  2つの分布間の最適な輸送距離の効率的な計算は、様々な応用を促進するアルゴリズムとして機能する。 本稿では,$varepsilon$加法精度で最適な輸送を計算できるスケーラブルな一階最適化法を提案する。
  論文  参考訳（メタデータ） (2023-01-30T15:46:39Z)
• Neural Non-Rigid Tracking [26.41847163649205]
  我々は、新しい、エンドツーエンドの学習可能、差別化可能な非剛性トラッカーを導入する。 我々は畳み込みニューラルネットワークを用いて、密度の高い通信とその信頼性を予測する。 現状の手法と比較して,提案アルゴリズムは再構築性能の向上を示す。
  論文  参考訳（メタデータ） (2020-06-23T18:00:39Z)
• Cogradient Descent for Bilinear Optimization [124.45816011848096]
  双線形問題に対処するために、CoGDアルゴリズム(Cogradient Descent Algorithm)を導入する。 一方の変数は、他方の変数との結合関係を考慮し、同期勾配降下をもたらす。 本アルゴリズムは,空間的制約下での1変数の問題を解くために応用される。
  論文  参考訳（メタデータ） (2020-06-16T13:41:54Z)

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。