ترجمه فارسی مقاله Sinkhorn آنیل شده برای حمل و نقل بهینه: همگرایی، مسیر منظم سازی و انحراف

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Annealed Sinkhorn for Optimal Transport: convergence, regularization path and debiasing
عنوان مقاله به فارسی Sinkhorn آنیل شده برای حمل و نقل بهینه: همگرایی، مسیر منظم سازی و انحراف
نویسندگان Lénaïc Chizat
فرمت مقاله انگلیسی PDF
تعداد صفحات 22
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Optimization and Control,یادگیری ماشین , بهینه سازی و کنترل ,
توضیحات Submitted 21 August, 2024; originally announced August 2024.
توضیحات به فارسی ارائه شده 21 اوت 2024 ؛در ابتدا اوت 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

Sinkhorn's algorithm is a method of choice to solve large-scale optimal transport (OT) problems. In this context, it involves an inverse temperature parameter $β$ that determines the speed-accuracy trade-off. To improve this trade-off, practitioners often use a variant of this algorithm, Annealed Sinkhorn, that uses an nondecreasing sequence $(β_t)_{t\in \mathbb{N}}$ where $t$ is the iteration count. However, besides for the schedule $β_t=Θ(\log t)$ which is impractically slow, it is not known whether this variant is guaranteed to actually solve OT. Our first contribution answers this question: we show that a concave annealing schedule asymptotically solves OT if and only if $β_t\to+\infty$ and $β_t-β_{t-1}\to 0$. The proof is based on an equivalence with Online Mirror Descent and further suggests that the iterates of Annealed Sinkhorn follow the solutions of a sequence of relaxed, entropic OT problems, the regularization path. An analysis of this path reveals that, in addition to the well-known "entropic" error in $Θ(β^{-1}_t)$, the annealing procedure induces a "relaxation" error in $Θ(β_{t}-β_{t-1})$. The best error trade-off is achieved with the schedule $β_t = Θ(\sqrt{t})$ which, albeit slow, is a universal limitation of this method. Going beyond this limitation, we propose a simple modification of Annealed Sinkhorn that reduces the relaxation error, and therefore enables faster annealing schedules. In toy experiments, we observe the effectiveness of our Debiased Annealed Sinkhorn's algorithm: a single run of this algorithm spans the whole speed-accuracy Pareto front of the standard Sinkhorn's algorithm.

چکیده به فارسی (ترجمه ماشینی)

الگوریتم Sinkhorn روشی برای انتخاب مشکلات حمل و نقل بهینه در مقیاس بزرگ (OT) است.در این زمینه ، شامل یک پارامتر دما معکوس $ β $ است که تجارت سرعت را تعیین می کند.برای بهبود این تجارت ، پزشکان غالباً از یک نوع از این الگوریتم ، سینکورن آنیل استفاده می کنند ، که از یک دنباله غیرمستقیم $ (β_t) _ {t \ در \ mathbb {n}} $ استفاده می کند که در آن $ t $ تعداد تکرار است.با این حال ، علاوه بر این برای برنامه $ β_t = θ (\ log t) $ که به صورت غیر فعال کند است ، مشخص نیست که آیا این نوع تضمین شده است که در واقع OT را حل کند.اولین سهم ما به این سؤال پاسخ می دهد: ما نشان می دهیم که یک برنامه بازپرداخت مقعر به صورت نامتعارف OT را حل می کند اگر و فقط اگر $ β_t \ to+\ infty $ و $ β_t-{t-1} \ به 0 $.این اثبات بر اساس هم ارزی با نزول آینه آنلاین است و بیشتر نشان می دهد که تکرارهای سینکورن آنیل شده راه حل های دنباله ای از مشکلات آرامش بخش و آنتروپیک ، مسیر تنظیم را دنبال می کنند.تجزیه و تحلیل این مسیر نشان می دهد که علاوه بر خطای شناخته شده "آنتروپیک" در $ θ (β^{-1} _t) $ ، روش بازپرداخت خطای "آرامش" را در $ θ ایجاد می کند (β_ {t}-β_ {t-1}) $.بهترین معامله خطا با برنامه $ β_t = θ (\ sqrt {t}) $ حاصل می شود که هرچند آهسته ، یک محدودیت جهانی در این روش است.فراتر از این محدودیت ، ما یک اصلاح ساده از سینکورن آنیل شده را پیشنهاد می کنیم که خطای آرامش را کاهش می دهد ، و بنابراین برنامه های بازپرداخت سریعتر را امکان پذیر می کند.در آزمایش های اسباب بازی ، ما اثربخشی الگوریتم سینکورن آنولیده شده ما را مشاهده می کنیم: یک اجرای واحد از این الگوریتم ، تمام سرعت پارتو را از الگوریتم استاندارد سینکورن استاندارد می کند.

📚 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.