ترجمه فارسی مقاله نسبی-ترجمه ثابت فاصله واسرشتاین

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Relative-Translation Invariant Wasserstein Distance
عنوان مقاله به فارسی نسبی-ترجمه ثابت فاصله واسرشتاین
نویسندگان Binshuai Wang, Qiwei Di, Ming Yin, Mengdi Wang, Quanquan Gu, Peng Wei
فرمت مقاله انگلیسی PDF
تعداد صفحات 22
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Machine Learning,یادگیری ماشین , یادگیری ماشین ,
توضیحات Submitted 3 September, 2024; originally announced September 2024.
توضیحات به فارسی ارسال شده در 3 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

We introduce a new family of distances, relative-translation invariant Wasserstein distances ($RW_p$), for measuring the similarity of two probability distributions under distribution shift. Generalizing it from the classical optimal transport model, we show that $RW_p$ distances are also real distance metrics defined on the quotient set $\mathcal{P}_p(\mathbb{R}^n)/\sim$ and invariant to distribution translations. When $p=2$, the $RW_2$ distance enjoys more exciting properties, including decomposability of the optimal transport model, translation-invariance of the $RW_2$ distance, and a Pythagorean relationship between $RW_2$ and the classical quadratic Wasserstein distance ($W_2$). Based on these properties, we show that a distribution shift, measured by $W_2$ distance, can be explained in the bias-variance perspective. In addition, we propose a variant of the Sinkhorn algorithm, named $RW_2$ Sinkhorn algorithm, for efficiently calculating $RW_2$ distance, coupling solutions, as well as $W_2$ distance. We also provide the analysis of numerical stability and time complexity for the proposed algorithm. Finally, we validate the $RW_2$ distance metric and the algorithm performance with three experiments. We conduct one numerical validation for the $RW_2$ Sinkhorn algorithm and show two real-world applications demonstrating the effectiveness of using $RW_2$ under distribution shift: digits recognition and similar thunderstorm detection. The experimental results report that our proposed algorithm significantly improves the computational efficiency of Sinkhorn in certain practical applications, and the $RW_2$ distance is robust to distribution translations compared with baselines.

چکیده به فارسی (ترجمه ماشینی)

ما برای اندازه گیری شباهت دو توزیع احتمال در تغییر توزیع ، خانواده جدیدی از مسافت ها ، مسافت نسبی ترجمه واسسترین ($ rw_p $) را معرفی می کنیم.تعمیم آن از مدل حمل و نقل بهینه کلاسیک ، ما نشان می دهیم که مسافت $ rw_p $ نیز معیارهای فاصله واقعی است که در مجموعه Quotient $ \ Mathcal {p} _p (\ Mathbb {r}^n)/\ sim $ و تغییر نامگذاری شده است.ترجمه هاهنگامی که $ p = 2 $ ، فاصله $ rw_2 $ از خواص هیجان انگیز تری برخوردار است ، از جمله تجزیه مدل حمل و نقل بهینه ، تنوع ترجمه از فاصله $ rw_2 $ ، و یک رابطه فیثاغورئی بین $ rw_2 $ و فاصله درجه یک کلاسیک واسستاین ($ w_2 $).بر اساس این خصوصیات ، ما نشان می دهیم که یک تغییر توزیع ، که با فاصله $ w_2 $ اندازه گیری می شود ، می تواند در دیدگاه تعصب-واریانس توضیح داده شود.علاوه بر این ، ما یک نوع از الگوریتم Sinkhorn با نام $ RW_2 $ SINKHORN را برای محاسبه کارآمد از راه دور RW_2 $ ، راه حل های اتصال و همچنین فاصله $ W_2 $ پیشنهاد می کنیم.ما همچنین تجزیه و تحلیل ثبات عددی و پیچیدگی زمان برای الگوریتم پیشنهادی را ارائه می دهیم.سرانجام ، ما با سه آزمایش ، متریک فاصله RW_2 $ $ و عملکرد الگوریتم را تأیید می کنیم.ما یک اعتبار سنجی عددی را برای الگوریتم $ rw_2 $ sinkhorn انجام می دهیم و دو برنامه کاربردی در دنیای واقعی را نشان می دهیم که نشان دهنده اثربخشی استفاده از $ rw_2 $ در توزیع توزیع: تشخیص رقم ها و تشخیص رعد و برق مشابه است.نتایج آزمایشی گزارش می دهد که الگوریتم پیشنهادی ما به طور قابل توجهی کارایی محاسباتی Sinkhorn را در برخی از برنامه های عملی بهبود می بخشد ، و فاصله $ RW_2 $ برای ترجمه های توزیع در مقایسه با خط مقدم قوی است.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.