Unbalance Optimal Transport の仕組み Part15(機械学習 2024) | Monodeep Mukherjee 著 | 2024年4月

1. アンバランスな最適輸送の安全なスクリーニング(arXiv)

著者 ： 荀蘇、 ファン・ジョンシー、 Hiroyuki Kasai

要約 : この論文では、安全スクリーニング技術を利用して、疎な解のゼロ要素を積極的に特定して削除することにより、不平衡最適輸送 (UOT) 問題の最適化プロセスを加速するフレームワークを紹介します。 解の境界の解析を実行し、双対問題の局所的な強い凸性を考慮することにより、ℓ2 ペナルティと KL ペナルティを備えた UOT 問題にセーフ スクリーニングを適用する実現可能性を実証します。 インデックス行列上の一般的な Lasso 問題と比較した UOT の特定の構造特性を考慮して、新しい近似投影、楕円安全領域の構築、および 2 超平面緩和法を具体的に提案します。 これらの機能強化により、アルゴリズムの複雑さを変えることなく、UOT のスクリーニング効率が大幅に向上します。

2.不均衡最適トランスポート: 物体検出のための統合フレームワーク (arXiv)

著者 ： アンリ・ド・プレーン、 ピエール・フランソワ・ド・プレーン、 ジョン・AK・スイケンズ、 マーク・プロエスマンス、 薄いトゥイテラール、 リュック・ヴァン・グール

要約 : トレーニング中に、教師ありオブジェクト検出は、予測された境界ボックスおよび関連する分類スコアをグラウンド トゥルースと正確に照合しようとします。 これは、どの予測をどのソリューションに向けて推し進めるか、または破棄するかを決定するために不可欠です。 一般的なマッチング戦略には、最も近いグラウンド トゥルース ボックスへのマッチング (主にアンカーと組み合わせて使用)、またはハンガリー アルゴリズムによるマッチング (主にアンカーなしの方法で使用) が含まれます。 これらの戦略にはそれぞれ、独自の特性、基礎となる損失、ヒューリスティックが伴います。 Unbalance Optimal Transport がこれらの異なるアプローチをどのように統合し、その間にある一連のメソッド全体を開くかを示します。 これにより、必要なプロパティをより細かく選択できるようになります。 実験的に、Unbalance Optimal Transport を使用して物体検出モデルをトレーニングすると、平均精度と平均再現率の両方の点で最先端の水準に達し、より高速な初期収束が実現できることを示しました。 このアプローチは GPU の実装に適しており、大規模モデルに利点があることが証明されています。