ترجمه فارسی مقاله تطبیق توزیع جزئی از طریق شبکه‌های متخاصم Wasserstein جزئی

چکیده

This paper studies the problem of distribution matching (DM), which is a fundamental machine learning problem seeking to robustly align two probability distributions. Our approach is established on a relaxed formulation, called partial distribution matching (PDM), which seeks to match a fraction of the distributions instead of matching them completely. We theoretically derive the Kantorovich-Rubinstein duality for the partial Wasserstain-1 (PW) discrepancy, and develop a partial Wasserstein adversarial network (PWAN) that efficiently approximates the PW discrepancy based on this dual form. Partial matching can then be achieved by optimizing the network using gradient descent. Two practical tasks, point set registration and partial domain adaptation are investigated, where the goals are to partially match distributions in 3D space and high-dimensional feature space respectively. The experiment results confirm that the proposed PWAN effectively produces highly robust matching results, performing better or on par with the state-of-the-art methods.

چکیده به فارسی (ترجمه ماشینی)

این مقاله به بررسی مشکل تطبیق توزیع (DM) ، که یک مشکل اساسی یادگیری ماشین است که به دنبال تراز کردن دو توزیع احتمال است.رویکرد ما بر روی یک فرمول آرام ، به نام تطبیق توزیع جزئی (PDM) ایجاد شده است ، که به دنبال مطابقت با آنها به جای تطبیق کامل آنها است.ما از لحاظ تئوریکی دوگانگی Kantorovich-Rubinstein را برای اختلاف جزئی WASSSTEAN-1 (PW) به دست می آوریم و یک شبکه مخالف جزئی Wasserstein (PWAN) ایجاد می کنیم که به طور مؤثر اختلاف PW را بر اساس این شکل دوگانه تقریب می دهد.تطبیق جزئی سپس با بهینه سازی شبکه با استفاده از نزول شیب حاصل می شود.دو کار عملی ، ثبت نام مجموعه و اقتباس دامنه جزئی مورد بررسی قرار گرفته است ، جایی که اهداف این است که به ترتیب توزیع توزیع های جزئی در فضای سه بعدی و فضای ویژگی های با ابعاد بالا به ترتیب انجام شود.نتایج آزمایش تأیید می کند که PWAN پیشنهادی به طور موثری نتایج تطبیق بسیار قوی را تولید می کند و با روشهای پیشرفته و بهتر عمل می کند.