PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2505.06835v5cs.LG공식 코드 · Papers with Code

스트리밍 슬라이스 최적 수송

Streaming Sliced Optimal Transport

슬라이스 최적 수송(SOT), 즉 슬라이스 Wasserstein(SW) 거리는 통계적·계산적 확장성(scalability)으로 널리 알려져 있다. 본 연구에서는 샘플 스트림으로부터 SW를 추정하는 최초의 방법인 스트리밍 슬라이스 Wasserstein(Stream-SW)을 제안하여 계산적 확장성을 더욱 향상시킨다. Stream-SW를 정의하기 위해, 먼저 일차원 Wasserstein 거리(1DW)의 스트리밍 추정량을 도입한다. 1DW는 비교하는 분포들의 분위 함수(quantile function) 간 절대 차이의 적분으로 주어지는 폐형(closed-form) 표현을 갖기 때문에, 샘플 스트림에 대한 분위 근사 기법을 활용하여 스트리밍 1DW 추정량을 정의한다. 모든 투영(projection)에 스트리밍 1DW를 적용함으로써 Stream-SW를 얻는다. Stream-SW의 핵심 장점은 근사 오차에 대한 이론적 보장을 제공하면서도 메모리 복잡도가 낮다는 점이다. 스트리밍 샘플로부터 가우시안 분포 및 가우시안 혼합분포를 비교할 때, Stream-SW가 무작위 부분 샘플링(random subsampling)보다 더 정확한 SW 근사를 더 낮은 메모리 소비로 달성함을 보인다. 또한 포인트 클라우드 분류, 포인트 클라우드 그래디언트 흐름, 스트리밍 변화점 탐지(change point detection) 실험을 수행하여 제안한 Stream-SW의 우수한 성능을 추가로 입증한다.

arXiv:2408.07498v5math.AP공식 코드 · Papers with Code

Wasserstein Gradient Flows of MMD Functionals with Distance Kernel and Cauchy Problems on Quantile Functions

실수선상의 주어진 목표 측도 $ν$를 향한 최대 평균 차이(MMD) 범함수 $\mathcal F_ν:= \text{MMD}_K^2(\cdot, ν)$의 바서슈타인 그래디언트 플로우에 대해 포괄적으로 설명하며, 여기서는 음의 거리 커널 $K(x,y) := -|x-y|$에 초점을 맞춥니다. 1차원에서 바서슈타인-2 공간은 분위수 함수의 원뿔 $\mathcal C(0,1) \subset L_2(0,1)$로 등거리 매립될 수 있으며, 이는 $L_2(0,1)$에서 연관된 코시 문제의 해를 통한 바서슈타인 그래디언트 플로우의 특성화로 이어집니다. $L_2(0,1)$에서 $\mathcal F_ν$의 적절한 대응물 및 그 아미분계(subdifferential)의 구성을 기반으로, 우리는 코시 문제의 해를 제공합니다. 이산 목표 측도 $ν$의 경우, 이는 조각별 선형(piecewise linear) 해 공식으로 귀결됩니다. 우리는 $\mathcal C(0,1)$의 부분 집합에 대한 플로우의 불변성 및 평활화(smoothing) 성질을 증명합니다. 특정 $\mathcal F_ν$-플로우의 경우, 이는 초기 점 측도가 즉시 절대 연속(absolute continuous)이 되고 시간이 지남에 따라 그 상태를 유지함을 의미합니다. 마지막으로, 이분법(bisection) 알고리즘으로 쉽게 계산할 수 있는 암시적 오일러(Euler) 방식을 사용하여 다양한 수치 예제를 통해 플로우의 거동을 설명합니다. 연속 목표 $ν$의 경우, 제한된 수렴(convergence) 보장이 있지만, 명시적 오일러 방식도 사용할 수 있습니다.