Neural Conditional Transport Maps

要約

確率分布間で条件付き最適輸送（OT）マップを学習するための神経フレームワークを提示します。
私たちのアプローチでは、カテゴリと連続的な条件付け変数の両方を同時に処理できるコンディショニングメカニズムを紹介します。
この方法の中核には、これらの入力に基づいて輸送層パラメーターを生成するハイパーネットワークがあり、より単純な条件付け方法を上回る適応マッピングを作成します。
包括的なアブレーション研究は、ベースライン構成よりもメソッドの優れた性能を示しています。
さらに、グローバルな感度分析へのアプリケーションを紹介し、OTベースの感度インデックスを計算する際の高性能を提供します。
この作業は、条件付き最適輸送で最先端の最適な輸送を進め、生成モデリングやブラックボックスモデルの説明などの複雑で高次元のドメインに最適な輸送原理をより広く適用できるようにします。

要約(オリジナル)

We present a neural framework for learning conditional optimal transport (OT) maps between probability distributions. Our approach introduces a conditioning mechanism capable of processing both categorical and continuous conditioning variables simultaneously. At the core of our method lies a hypernetwork that generates transport layer parameters based on these inputs, creating adaptive mappings that outperform simpler conditioning methods. Comprehensive ablation studies demonstrate the superior performance of our method over baseline configurations. Furthermore, we showcase an application to global sensitivity analysis, offering high performance in computing OT-based sensitivity indices. This work advances the state-of-the-art in conditional optimal transport, enabling broader application of optimal transport principles to complex, high-dimensional domains such as generative modeling and black-box model explainability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google