論文の概要: Dynamic Neural Optimal Transport for Subset Alignment

• arxiv url: http://arxiv.org/abs/2610.24258v1
• Date: Fri, 16 Oct 2026 21:32:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-26 02:50:46.290863
• Title: Dynamic Neural Optimal Transport for Subset Alignment
• Title（参考訳）: サブセットアライメントのための動的ニューラル最適輸送
• Abstract要約: 本研究は,対象集団の1つのサブセット間での最適な輸送について検討する。 2つのニューラルネットワークを用いて,この設定のための動的ニューラルネットワーク最適輸送フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.5156484100374058
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study optimal transport between distributions when only a subset of the target population is relevant to the source. The goal is to map the source distribution to a reweighted target distribution whose density ratio with respect to the full target lies in $[0, c]$. This constraint enables the transported distribution to select an appropriate target subpopulation while limiting how strongly any region of the target can be emphasized. We propose a dynamic neural optimal transport framework for this setting using two neural networks. The first parameterizes a time-dependent potential whose spatial gradient defines the velocity field and whose terminal value enforces the density-ratio constraint. The second parameterizes an interpolation between the source distribution and the learned terminal distribution. Unlike prior neural dynamic optimal transport methods, which typically assume a fixed terminal distribution, our formulation learns the terminal distribution within the support of the target. We demonstrate the method on positive-unlabeled learning, unpaired domain translation, and trajectory inference, where meaningful alignments exist between source and target distributions, but direct distribution matching is inappropriate because the target contains additional or irrelevant components
• Abstract（参考訳）: 本研究は,対象集団のサブセットのみをソースに関連付ける場合の分布間の最適輸送について検討する。 目的は、ソース分布を、全ターゲットに対する密度比が$[0, c]$である重み付けされたターゲット分布にマッピングすることである。 この制約により、トランスポートされたディストリビューションは、ターゲットのどの領域をどれだけ強く強調できるかを制限しながら、適切なターゲットサブポピュレーションを選択することができる。 2つのニューラルネットワークを用いて,この設定のための動的ニューラルネットワーク最適輸送フレームワークを提案する。 第1のパラメータは、空間勾配が速度場を定義し、終端値が密度比制約を強制する時間依存電位である。 第2は、ソース分布と学習端末分布との補間をパラメータ化する。 通常、固定終端分布を仮定する従来の神経力学最適輸送法とは異なり、我々の定式化は目標の支持範囲内で終端分布を学習する。 ソースとターゲットの分布に有意なアライメントが存在するが、ターゲットに付加的あるいは無関係な要素が含まれているため、直接分布マッチングは不適切である、正の未ラベル学習、未ペアドメイン翻訳、軌跡推論の手法を実証する。

関連論文リスト

• Distributionally Robust Schrödinger Bridge [9.661638226971158]
  シュルディンガー橋(SB)は、所定の初期分布と目標分布の間の輸送を学習する。 本稿では,初期分布の不確実性を考慮した単一制御系を学習する分散ロバスト・シュルディンガー橋(DRSB)について紹介する。 DRSBは、この目的の最悪の値を最小限に抑える単一のコントローラを求める。
  論文  参考訳（メタデータ） (2026-10-01T16:54:34Z)
• Fast and Scalable Multi-Agent Distribution Matching via Partitioned Optimal Transport [0.0]
  本稿では,マルチエージェントシステムにおける端末分布マッチングのためのスケーラブルな最適トランスポートベースのフレームワークを提案する。 エージェントとターゲットサンプルを空間的に対応するブロックに分割し,より小さな局所輸送問題を解くことで,このボトルネックに対処する。 提案フレームワークは,Wassersteinの目的に対する厳密な接続を維持しつつ,スケーラブルな端末分布マッチングを実現する。
  論文  参考訳（メタデータ） (2026-09-30T04:28:14Z)
• Simultaneous Neural Optimal Transport [69.9090683451861]
  多くのアプリケーションにおいて、単一の変換は複数のソース分布を共通のターゲット分布にマッピングしなければならない。 本稿では,共有トランスポートマップの学習による同時OT問題の解法を提案する。 一つのモデルが複数の分解型を処理する画像復元への応用について説明する。
  論文  参考訳（メタデータ） (2026-09-29T12:51:31Z)
• Adapt, But Don't Forget: Fine-Tuning and Contrastive Routing for Lane Detection under Distribution Shift [3.394257279821418]
  データセット間の分散シフトは、微調整中に破滅的な忘れ物を引き起こす可能性がある。 本フレームワークは,分布毎に異なるモデルをトレーニングするよりも,パラメータをはるかに少なくしながら,ほぼ最適F1スコアを実現する。
  論文  参考訳（メタデータ） (2025-07-22T18:39:15Z)
• Aligning Latent Spaces with Flow Priors [72.24305287508474]
  本稿では,学習可能な潜在空間を任意の目標分布に整合させるための新しいフレームワークを提案する。 特に,提案手法は計算コストの高い確率評価を排除し,最適化時のODE解決を回避する。
  論文  参考訳（メタデータ） (2025-06-05T16:59:53Z)
• Learning Optimal Transport Between two Empirical Distributions with Normalizing Flows [12.91637880428221]
  本稿では、ニューラルネットワークの柔軟性を活用して、最適輸送マップを近似的に学習することを提案する。 我々は、このOT問題の解を近似するために、非可逆ニューラルネットワークの特定の例、すなわち正規化フローが利用できることを示した。
  論文  参考訳（メタデータ） (2022-07-04T08:08:47Z)
• Robust Estimation for Nonparametric Families via Generative Adversarial Networks [92.64483100338724]
  我々は,高次元ロバストな統計問題を解くためにGAN(Generative Adversarial Networks)を設計するためのフレームワークを提供する。 我々の研究は、これらをロバスト平均推定、第二モーメント推定、ロバスト線形回帰に拡張する。 技術面では、提案したGAN損失は、スムーズで一般化されたコルモゴロフ-スミルノフ距離と見なすことができる。
  論文  参考訳（メタデータ） (2022-02-02T20:11:33Z)
• KL Guided Domain Adaptation [88.19298405363452]
  ドメイン適応は重要な問題であり、現実世界のアプリケーションにしばしば必要である。 ドメイン適応文学における一般的なアプローチは、ソースとターゲットドメインに同じ分布を持つ入力の表現を学ぶことである。 確率的表現ネットワークにより、KL項はミニバッチサンプルにより効率的に推定できることを示す。
  論文  参考訳（メタデータ） (2021-06-14T22:24:23Z)
• Open Set Domain Adaptation using Optimal Transport [8.076841611508486]
  本稿では,ソース分布からターゲット分布へのマッピングを行う2段階の最適輸送手法を提案する。 最初のステップは、最適なトランスポートプランを使用して、これらの新しいクラスから発行されたサンプルを拒否することを目的としている。 2番目のステップは、最適な輸送問題として、目標(クラス比)シフトをまだ解決する。
  論文  参考訳（メタデータ） (2020-10-02T15:20:05Z)
• Uncertainty Estimation and Sample Selection for Crowd Counting [87.29137075538213]
  予測された密度マップに関連する不確実性値とともに,群衆密度マップを予測できる画像に基づく群集カウント手法を提案する。 既存のクラウドカウント手法に比べて,提案手法の重要な利点は,予測の不確かさを定量化できることである。 サンプル選択戦略は、ソースドメイン上でトレーニングされたカウントネットワークをターゲットドメインに適応させるために必要なラベル付きデータの量を劇的に削減することを示す。
  論文  参考訳（メタデータ） (2020-09-30T03:40:07Z)
• 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。